quickstart

心智模型

这个快速入门展示了用 LangGraph 构建一个最简 Agent 的两种方式，其核心思想都是将一个大任务分解为可编排的最小单元。这两种方式在逻辑上是一致的，都是实现“思考（模型）→ 行动（工具）→ 观察（结果）→ 再思考”的循环。

• Graph API：像一个流程图。你需要显式地定义每个步骤（节点）和它们之间的连线（边）。这让你对 Agent 的执行逻辑有精细的控制。
• Functional API：像一个函数。你在一个主函数里用标准的 while 循环和 if 条件判断来编写业务逻辑。这种方式更接近传统的编程思维，代码更紧凑。

二级标题及内容

• 【两种方式对比】Use the Graph API / Use the Functional API

  • Graph API 适合需要可视化、精细控制执行流程的复杂场景。
  • Functional API 适合用标准代码逻辑快速实现、更易读的简单或中等复杂度场景。

• 【Graph API 构建步骤】Use the Graph API

  1. 定义工具和模型：初始化模型（如 Claude），定义具体功能（加、乘、除），并绑定到模型。
  2. 定义状态：创建一个用于在步骤间传递数据的结构，如 MessagesState。
  3. 定义模型节点：一个函数，调用 LLM 并记录调用次数。
  4. 定义工具节点：一个函数，根据 LLM 的决策执行具体工具并返回结果。
  5. 定义结束逻辑：一个条件判断函数，检查最后一条消息是否包含工具调用，以决定是继续调用工具还是结束。
  6. 构建和编译：将所有节点和边添加到 StateGraph 中，编译成一个可运行的应用。

• 【Functional API 构建步骤】Use the Functional API

  1. 定义工具和模型：与 Graph API 相同。
  2. 定义模型任务：用 @task 装饰一个函数来调用 LLM。
  3. 定义工具任务：用 @task 装饰一个函数来执行具体工具。
  4. 定义 Agent：用 @entrypoint 装饰主函数，在 while 循环中依次执行模型任务和工具任务，直到不再需要调用工具。

最佳实践

• 根据偏好选择 API：如果你喜欢可视化或需要构建复杂流程，选 Graph API；如果你喜欢用 Python 原生控制流来写逻辑，选 Functional API。
• 状态追加而非覆盖：定义状态时，使用 Annotated[list, operator.add] 来确保新消息是追加到历史记录中，而不是替换掉，这对于多轮对话至关重要。
• 利用 AI 助手：可以安装 LangChain Docs MCP server 来让 AI 助手实时查阅文档，或者安装 LangChain Skills 来提升它在 LangChain 生态中的任务表现。