LangChain、LangGraph入门
本文主要是基于学习的datawhale关于langchain、langgraoh课程，记录的学习过程与个人看法。
安装依赖
安装langchain、langgraph、openai依赖及用于管理环境变量(python-dotenv)的辅助依赖
pip install langchain langgraph openai langchain_openai python-dotenv验证依赖版本
方式一：代码验证
importlangchainimportlanggraphimportopenai#验证langchain、langraph和openai的版本，可以通过以下命令print("LangChain版本：",langchain.__version__)print("LangGraph版本：",importlib.metadata.version("langgraph"))print("OpenAI版本：",openai.__version__)方式二：如果使用的是pycharm，也可以在界面查看
Pycharm-File-Settings-Project-Python Innterpreter查看依赖的版本号
HelloWorld入门
LangChain入门示例
importosfromlangchain_openaiimportChatOpenAIfromdotenvimportload_dotenv# 加载.env环境变量load_dotenv()# 获取环境变量中的apikey url和模型名称API_KEY=os.getenv("API_KEY")BASE_URL=os.getenv("BASE_URL")MODEL_NAME=os.getenv("MODEL_NAME")print("API_KEY = ",API_KEY)print("BASE_URL = ",BASE_URL)print("MODEL_NAME = ",MODEL_NAME)ifnotAPI_KEY:raiseValueError("未检测到API_KEY,请检查.env文件是否配置正确")# 初始化大模型llm=ChatOpenAI(api_key=API_KEY,base_url=BASE_URL,model=MODEL_NAME,temperature=0.3)# 构造提示词prompt="请写一段50字左右的LangChain学习建议，语言简洁、实用，适合初学者"# 调用模型response=llm.invoke(prompt)# 生成结果print("生成的学习建议：",response.content)容易出错的点
存放环境变量的.env文件中环境变量名称与代码中获取环境变量的名称不一致，比如：.env文件如下图所示
而代码中写的是
importos API_KEY=os.getenv("OPEN_API_KEY")BASE_URL=os.getenv("OPEN_BASE_URL")文件中没有定义名称为OPEN_API_KEY与OPEN_BASE_URL的环境变量，获取时肯定会报错。
LangGraph入门示例
# 1. 导入需要的模块importosfromlangchain_openaiimportChatOpenAIfromlanggraph.graphimportStateGraph,START,ENDfromtypingimportTypedDictfromdotenvimportload_dotenv# 2. 加载API密钥load_dotenv()# 3. 配置 API KeyAPI_KEY=os.getenv("API_KEY")BASE_URL=os.getenv("BASE_URL")MODEL_NAME=os.getenv("MODEL_NAME")print("API_KEY=",API_KEY,'\n',"BASE_URL=",BASE_URL,'\n',"MODEL_NAME=",MODEL_NAME)ifnotAPI_KEY:raiseValueError("未检测到 API_KEY，请检查 .env 文件是否配置正确")# 4. 初始化大模型（和LangChain案例一样）llm=ChatOpenAI(api_key=API_KEY,base_url=BASE_URL,model=MODEL_NAME,# 注意：根据你使用的模型修改名称！！！！ 后面章节不再继续说明temperature=0.3)# 5. 定义 StateclassWorkflowState(TypedDict,total=False):user_role:str#存储用户角色original_advice:str#存储原始学习建议simplified_advice:str#存储精简后的建议translate_advice:str#存储翻译后的建议# 6. 定义节点''' 入参：state 是一个符合 WorkflowState 结构的字典，包含工作流当前累积的所有数据。 逻辑：调用大模型（llm.invoke）完成一个具体任务。 返回值：不是整个新状态，而是一个字典片段。LangGraph 会自动将这个返回值合并（更新）到总状态中。 '''defgenerate_advice(state:WorkflowState):prompt=f"给{state['user_role']}写一段50字左右的 AI 学习建议。"result=llm.invoke(prompt)return{"original_advice":result.content}defsimplify_advice(state:WorkflowState):prompt=f"把下面的学习建议精简到30字以内：{state['original_advice']}"result=llm.invoke(prompt)return{"simplified_advice":result.content}deftranslate_advice(state:WorkflowState):prompt=f"把精简后的建议{state['simplified_advice']}翻译成英文"result=llm.invoke(prompt)return{"translate_advice":result.content}# 7. 构建工作流''' StateGraph 是 LangGraph 的核心类。 传入 WorkflowState 的作用是告诉图：我们传递的数据结构长什么样（包含 user_role、original_advice、simplified_advice、translate_advice）。 '''workflow=StateGraph(WorkflowState)''' 添加节点和连线 节点（Node）：给刚才定义的函数起个名字，挂载到图上。 边（Edge）：定义执行顺序。 START → "generate"：程序一开始就执行 generate_advice。 "generate" → "simplify"：generate 完成后自动执行 simplify。 "simplify" → "translate"：simplify 完成后自动执行 translate。 "translate" → END：最后结束。 '''workflow.add_node("generate",generate_advice)workflow.add_node("simplify",simplify_advice)workflow.add_node("translate",translate_advice)workflow.add_edge(START,"generate")workflow.add_edge("generate","simplify")workflow.add_edge("simplify","translate")workflow.add_edge("translate",END)''' 编译与执行 compile()：把图“冻结”成一个可执行的程序对象。 invoke()：传入初始状态（只有角色，没有建议内容），启动工作流。 '''app=workflow.compile()# 8. 执行result=app.invoke({"user_role":"高校学生"})# 9. 输出print("原始学习建议：")print(result["original_advice"])print("\n精简后学习建议：")print(result["simplified_advice"])print("\n翻译后的学习建议：")print(result["translate_advice"])代码解释
什么是TypeDict
classWorkflowState(TypedDict,total=False):user_role:str#存储用户角色original_advice:str#存储原始学习建议simplified_advice:str#存储精简后的建议TypedDict：告诉 Python WorkflowState这个类是一个有固定键名、固定值类型的字典。
total=False：表示字典中的所有键都是可选的（即可以不传某个字段，也不会报类型错误）。
字段定义：仅是类型注解，运行时没有任何强制校验或默认值生成。
怎么使用
TypedDict 不是一个需要实例化的类，它只是一个类型蓝图。依然使用花括号 {} 来创建字典
定义了 TypedDict 后，它的使用方式和普通 Python 字典完全一样。区别仅在于： IDE 会给你提示，静态检查工具会帮你纠错。
fromtypingimportTypedDictclassWorkflowState(TypedDict,total=False):user_role:stroriginal_advice:strsimplified_advice:str使用方式
state:WorkflowState={}# 声明变量类型为 WorkflowStatestate["user_role"]="student"state["original_advice"]="Practice Python daily."print(state["user_role"])# 输出: student作为函数参数的类型声明与使用
defprocess_advice(data:WorkflowState)->str:# 因为定义了类型，IDE 知道 data.get 应该填什么键original=data.get("original_advice","")role=data.get("user_role","guest")returnf"为{role}生成:{original}"input_data={"user_role":"teacher","original_advice":"Focus on pedagogy"}result=process_advice(input_data)节点函数定义
对LangChain和LangGraph的认识
- 从名称看来，LangChain是链式的，类似于线性结构，处理的是类似于流水线式的简单任务；而LangGraph是图，也就是有节点和边的图，从示例代码中也可以看到，LangGraph对于图的定义是开发者可以根据业务逻辑自由定义的，灵活性更高。
- 示例代码给人的直观感受是langchain不适合复杂流程，就当前这个案例而言，可能很多人会有疑问langchain和大家日常所使用的deepseek、豆包等工具实现的功能是一样的吗？langchain只是需要有代码基础的人实现批量任务的吗？接下来我们从后续课程中继续寻找答案；langraph给人的直观感受是自定义性强，可以自己去设计工作流状态、节点以及节点的连接方式，比较适合复杂任务。
本文代码部分来源：datawhale easy-langent项目