电子工业出版社-网上书店

本书是一本专注于 AI 智能体开发的实战指南，旨在帮助开发者快速掌握 LangGraph 框架的核心技术并实现项目落地。作为《LangChain 实战：从原型到生产，动手打造 LLM 应用》的进阶读本，本书从基础理论、核心技术、工程实践和案例分析四大维度深入探讨了 AI 智能体的设计原理、 LangGraph 的框架特性、部署方案及实战案例。书中结合大量示例代码和详细讲解，帮助读者掌握从开发到运维的完整技术体系，同时通过企业级案例分析展示 LangGraph 在实际项目中的应用方法和架构设计思路。

第 1 章 AI 智能体的原理和机制 / 1 
1.1 AI 智能体的概念 / 2 
1.1.1 AI 智能体的核心能力 / 3 
1.1.2 AI 智能体的主要运作机制 / 6 
1.1.3 AI 智能体与传统 AI 系统的主要区别 / 8 
1.2 ReAct 设计模式 / 11 
1.2.1 ReAct 的机制：迭代执行循环 / 12 
1.2.2 ReAct 提示词的构成 / 15 
1.2.3 ReAct 衍生设计模式 / 16 
1.3 AI 智能体开发的技术与挑战 / 17 
1.3.1 AI 智能体的当前技术发展现状 / 18 
1.3.2 AI 智能体开发的障碍 / 20 
1.3.3 智能体框架的必要性：LangGraph 和前进之路 / 22 
第 2 章 LangGraph 框架概览 / 25 
2.1 LangGraph 简介 / 26 
2.1.1 节点 / 26 
2.1.2 边 / 28 
2.1.3 状态 / 29 
2.2 LangGraph 与 LangChain 的关系 / 30 
2.3 基于 LangGraph 实现 ReAct 设计模式 / 33 
第 3 章 LangGraph 的状态图结构 / 42 
3.1 核心原语 / 43 
3.1.1 状态 / 43 
3.1.2 节点 / 54 
3.1.3 边 / 59 
3.1.4 命令 / 61
3.2 流程控制：分支与并发 / 63 
3.2.1 并行分支：扇出与扇入 / 64 
3.2.2 并发而非并行 / 69 
3.2.3 递归限制与并行分支 / 70 
3.3 MapReduce 模式：任务分解与并行处理 / 72 
3.3.1 MapReduce 模式的核心思想 / 72 
3.3.2 LangGraph 中的 MapReduce 实现 / 73 
3.3.3 MapReduce 的应用场景 / 78 
3.3.4 MapReduce 的核心 API：Send 函数 / 79 
3.4 子图机制：模块化与复用设计 / 81 
3.4.1 子图的概念与优势 / 81 
3.4.2 在 LangGraph 中定义和使用子图 / 82 
3.5 工具调用：扩展智能体的能力边界 / 85 
3.5.1 ToolNode：LangGraph 的工具调用中心 / 85 
3.5.2 定义工具：使用 @tool 装饰器 / 86 
3.5.3 手动调用 ToolNode / 87 
3.5.4 在 LangGraph 图中使用 ToolNode / 90 
3.5.5 处理工具调用错误 / 92 
3.5.6 从工具中更新图状态 / 97 
3.5.7 向工具传递运行时参数 / 100 
3.6 图的可视化 / 103 
3.6.1 Mermaid 语法 / 103 
3.6.2 PNG 图片 / 104 
3.6.3 X-Ray 子图可视化 / 110 
第 4 章 AI 智能体的交互体验 / 114 
4.1 流式处理 / 115 
4.1.1 流式处理模式 / 116 
4.1.2 事件流式处理 / 124 
4.1.3 LangGraph 流式处理的底层原理 / 128 
4.2 持久化 / 129 
4.2.1 线程和存档点的概念 / 130 
4.2.2 存档点器的实现 / 131 
4.2.3 持久化的实际应用 / 135 
4.3 人机环路协作 / 144 
4.3.1 静态断点：定义固定的人工干预点 / 145 
4.3.2 人机环路的核心设计模式：基于操作的干预 / 146 
4.3.3 interrupt() 函数的技术细节 / 154 
4.3.4 人机协作是构建信任和控制的关键 / 157 
第 5 章 AI 智能体的记忆系统 / 160 
5.1 短期记忆与长期记忆 / 161 
5.1.1 短期记忆：维持对话的连贯性 / 162 
5.1.2 长期记忆：实现跨会话 / 165 
5.2 记忆存储 / 168 
5.2.1 记忆存储的基本操作 / 168 
5.2.2 通过语义搜索增强记忆检索 / 172 
5.2.3 构建自定义记忆存储 / 175 
5.3 记忆系统的实际应用 / 178 
5.3.1 个性化推荐 / 178 
5.3.2 多步骤的情境化任务 / 184 
5.3.3 TrustCall：信息提取和记忆更新 / 186 
5.4 LangMem / 189 
5.4.1 LangMem 的核心组件 / 189 
5.4.2 LangMem 应用实例 / 191 
5.4.3 LangMem 关键函数解析 / 194 
5.5 记忆系统设计的重要考量 / 196 
第 6 章 LangGraph 的核心 API / 199 
6.1 create_react_agent / 200 
6.1.1 create_react_agent 的核心功能和参数 / 200 
6.1.2 自定义选项 / 202 
6.1.3 create_react_agent 的应用 / 208 
6.2 Functional API / 210 
6.2.1 Functional API 的优势 / 210 
6.2.2 核心组件：@entrypoint 和 @task / 211 
6.2.3 使用 Functional API 构建和执行工作流 / 216 
6.2.4 与 LangChain 和 LangSmith 集成 / 221 
6.2.5 常见工作流模式 / 223 
6.2.6 常见陷阱 / 232 
6.2.7 Functional API 与 Graph API 的比较 / 234 
6.3 API 的选择 / 236 
6.3.1 LangGraph API 选择决策树 / 237 
6.3.2 API 选择的案例分析 / 237 
第 7 章 AI 智能体系统的架构设计与模式应用 / 241 
7.1 常见工作流 / 242 
7.1.1 工作流的基础构建模块：增强型 LLM / 243 
7.1.2 提示链 / 244 
7.1.3 路由 / 248 
7.1.4 并行化 / 254 
7.1.5 协调器—工作者 / 258 
7.1.6 评估器—优化器 / 265 
7.2 多智能体架构 / 271 
7.2.1 主管架构 / 272 
7.2.2 分层架构 / 278 
7.2.3 网络架构 / 282 
7.3 情境感知智能体架构 / 287 
7.3.1 架构模式 / 288 
7.3.2 人机环路交互设计 / 289 
7.3.3 用 LangGraph 实现情境感知智能体架构 / 293 
第 8 章 LangGraph 平台介绍 / 297 
8.1 LangGraph 平台的架构与核心概念 / 298 
8.1.1 核心组件设计 / 298 
8.1.2 核心概念 / 301 
8.1.3 部署选项 / 305 
8.2 LangGraph 平台的应用程序部署 / 307 
8.2.1 LangGraph 应用程序格式定义 / 307 
8.2.2 部署到 LangGraph Cloud SaaS 平台 / 312 
8.2.3 自托管 LangGraph 部署 / 314 
8.2.4 自定义 Docker 部署 / 316 
8.2.5 本地测试 LangGraph 应用程序 / 317 
8.2.6 LangGraph Studio / 319 
8.2.7 向 LangGraph 部署中添加语义搜索 / 325 
8.2.8 运行时重建图 / 327 
8.3 Agent Protocol / 330 
8.3.1 标准化的需求和核心组件 / 331 
8.3.2 API 细节 / 332 
8.3.3 助手和助手 API / 339 
8.3.4 数据格式和可扩展性 / 340 
8.3.5 助手、线程和运行的应用示例 / 341 
8.4 LangGraph 平台的高级功能 / 347 
8.4.1 可观测性和调试 / 347 
8.4.2 人机环路 / 351 
8.4.3 并发和双重文本策略 / 356 
8.5 访问控制 / 361 
8.5.1 身份验证和授权 / 362 
8.5.2 实施自定义身份验证 / 362 
8.5.3 实施自定义授权 / 365 
8.5.4 常见访问者模式的实现 / 368 
8.5.5 接入自定义身份验证 / 370 
8.6 RemoteGraph 和 React Hook / 372 
8.6.1 使用 RemoteGraph 与已部署的图进行交互 / 372 
8.6.2 使用 React Hook 构建交互式前端 / 376 
第 9 章 LangGraph 应用开发模板 / 382 
9.1 LangGraph 模板简介 / 383 
9.1.1 模板中常见的目录结构和编码风格 / 384 
9.1.2 使用 LangGraph 模板 / 386 
9.2 新项目模板 / 388 
9.3 ReAct 智能体模板 / 392 
9.4 充实数据智能体模板 / 396 
9.5 记忆智能体模板 / 401 
9.6 RAG 模板 / 406 
9.7 RAG 研究智能体模板 / 412 
第 10 章 LangGraph 官方应用案例浅析 / 421 
10.1 开放画布 / 422 
10.1.1 主要功能和架构概览 / 422 
10.1.2 控制流与智能体工作流模式 / 425 
10.1.3 核心代码结构及其实现 / 428 
10.2 报告大师 / 438 
10.2.1 主体功能和架构概览 / 439 
10.2.2 工作流 / 441 
10.2.3 核心代码结构及其实现 / 443 
10.3 Agent Inbox / 450 
10.3.1 功能和架构概览 / 450 
10.3.2 控制流与环境智能体架构 / 453 
10.3.3 核心代码结构及其实现 / 455 
第 11 章 AI 智能体技术展望 / 467 
11.1 多智能体开发框架的选择 / 468 
11.1.1 框架特性介绍 / 468 
11.1.2 框架选型分析 / 471 
11.2 智能体发展趋势及展望 / 473 
11.2.1 基础模型进步推动 AI 智能体成熟 / 473 
11.2.2 开发工具链加速智能体落地 / 474 
11.2.3 智能体应用的巨大潜力 / 475

缘起 
在我的上一本书《LangChain 实战：从原型到生产，动手打造 LLM 应用》与读者见面后，我非常欣喜地看到 LangChain 生态在国内开发者社区中蓬勃发展。许多读者通过这本书快速上手 LangChain，并开始构建自己的大语言模型应用。时隔一年，大语言模型（LLM）技术日新月异，我们正站在一个激动人心的新起点 ——AI 智能体元年的前夜。 
正如业内专家预测，2025 年极有可能成为 AI 智能体技术爆发的关键节点。AI 智能体，即具备自主决策和行动能力的智能体，被认为是充分释放 LLM 潜力的核心方向。而支撑 AI 智能体应用落地的关键，正是像 LangGraph 这样成熟、强大的开发框架。 
回顾一年前，LangGraph 的技术发展尚处于早期阶段，而如今，LangChain、LangGraph 和 LangSmith 构成的生态体系已经日臻完善，展现出能开发企业级应用的实力，并涌现出众多成功的落地案例。尽管 LangGraph 官方提供了丰富的资料和课程，但这些内容基本上以英文为主，且信息较为分散，对于希望快速切入 Agent 应用开发的国内开发者而言，存在一定的学习门槛。 
值得一提的是，虽然 LangGraph 与 LangChain 同属于 LangChain 生态系统，但LangGraph 本身是一个可以独立使用的框架。即使读者没有 LangChain 的使用经验，也可以从本书开始学习 LangGraph，并掌握 AI 智能体应用的开发技能。 
因此，我决定撰写第二本书 ——《LangGraph 实战：构建新一代 AI 智能体系统》。我们深知，优秀的框架版本总在不断演进。为此，本书的重点并非简单罗列某一版本的功能，而是旨在深入剖析 LangGraph 的底层架构与设计哲学。我们将以更符合中国开发者习惯的方式，帮助读者掌握构建智能体的核心思想与工程范式——这些知识的生命力远超任何特定版本。我希望本书能够帮助读者深入理解 AI 智能体理念，并快速掌握 LangGraph 的使用，从而在这个充满机遇的 AI 智能体时代抢占先机。 
从 HTML5 时代的代码初探，到云原生时代的深入实践，再到通用人工智能（AGI）时代的积拥抱，15 年的技术生涯，我始终秉持着“理论结合实践”的学习理念。每一次技术浪潮都带来新的挑战和机遇，而AI智能体技术无疑是 AGI 时代最耀眼的浪花之一。 
如果说 LangChain 降低了 LLM 应用开发的门槛，让开发者能够快速构建各种基于大模型的应用，那么 LangGraph 则更进一步，专注解决构建复杂、具备自主决策能力的 AI 智能体应用的难题。在探索 LangGraph 的过程中，我们将深刻感受到它在工作流编排、状态管理、AI 智能体协同等方面的强大能力。它不仅是一个框架，更是构建未来 AI 智能体应用的基石。 
为了将我们对 LangGraph 的理解和实践经验分享给更多开发者，我再次与两位优秀的LangChain 社区伙伴 —— 曹士圯、尹珉携手合作，共同创作本书。我们希望以本书为载体，为读者构建一条全面、深入的学习路径，不仅涵盖 LangGraph 的核心概念和功能，更着眼于 AI 智能体应用的开发方法论和最佳实践。 
通过本书，我们希望能够激发大家对 AI 智能体技术的兴趣，并为大家提供一个系统、实用的 LangGraph 学习指南。我们相信，无论是希望提升技能的 AI 开发者， 
还是寻求业务创新的企业技术团队，都能从本书中获得宝贵的知识和灵感，进而在AI 智能体应用开发领域取得突破。 
本书主要内容 
本书共分为 11 章，内容由浅入深，系统地覆盖了 AI 智能体技术和 LangGraph框架的各个方面。 
第 1 章：AI 智能体的原理和机制。本章将深入探讨构成 AI 智能体的核心要素，并介绍AI智能体技术的多种设计模式，为理解 LangGraph 的应用奠定理论基础。 
第 2 章：LangGraph 框架概览。本章将对 LangGraph 框架进行全面的概览，介绍其架构、核心组件和基本工作原理，帮助大家快速了解 LangGraph 的整体框架。 
第 3 章：LangGraph 的状态图结构。本章将深入讲解 LangGraph 图驱动的核心特性，阐释如何利用图结构构建复杂的 AI 智能体系统，并展示图驱动的优势。 
第 4 章：AI 智能体系统的交互体验。本章将聚焦于提升 AI 智能体系统的用户交互体验，探讨如何设计自然、流畅、高效的人机对话和人机环路工作流，优化 AI 智能体的交互界面。 
第 5 章：AI 智能体的记忆系统。本章将深入讲解 AI 智能体的记忆机制，介绍如何在LangGraph 中构建记忆系统，使 AI 智能体能够更好地管理和使用长短期记忆，实现更智能的对话和决策。 
第 6 章：LangGraph 的核心 API。本章将深入探索 LangGraph 框架提供的多种API，帮助大家根据项目需求和开发偏好，选择最合适的 API 工具箱来构建AI 智能体。 
第 7 章：AI 智能体系统的架构设计与模式应用。本章将深入探讨构建完整 AI智能体系统的架构设计，并介绍不同的架构范式，帮助大家构建可扩展、可维护的 AI 智能体应用。 
第 8 章：LangGraph 平台。本章将探讨如何将 LangGraph 应用进行服务化部署，使其能够作为独立的服务运行，并提供稳定、高效的 API 。 
第 9 章：LangGraph 应用开发模板。本章将介绍 LangGraph 提供的应用开发模板，帮助大家快速启动 LangGraph 项目，并学习最佳实践和开发模式。 
第 10 章：LangGraph 官方应用案例浅析。本章将深入分析 LangGraph 官方提供的应用案例，帮助大家理解 LangGraph 在实际应用中的使用方法和技巧，并从中获得启发。 
第 11 章：AI 智能体技术展望。本章将展望 AI 智能体技术的未来发展趋势，探讨 LangGraph 在 AI 智能体领域的前景和挑战，并引导大家思考 AI 智能体技术的更广阔应用场景。 
本书学习路径 
本书内容分为以下三个部分，以帮助不同技术背景的读者高效学习。 
第一部分：AI 智能体基础与 LangGraph 框架入门（第 1 ～ 2 章），可帮助初学者快速入门。 
这两章是 LangGraph 的基础入门内容，适合所有读者阅读。建议无论是初学者还是有经验的开发者，都从这两章开始学习，建立对 AI 智能体技术和 LangGraph 框架的整体认知。 
第二部分：LangGraph 核心功能与 AI 智能体构建（第 3~7 章），可帮助大家进行案例实践。 
这部分内容深入讲解 LangGraph 的核心功能，并结合实战案例，指导读者掌握使用 LangGraph 构建各类 AI 智能体系统的方法。 
初学者：建议重点阅读第 3 章，快速上手构建简单 AI 智能体应用。 
有经验开发者：建议系统学习第 3~7 章，深入理解图驱动特性、交互设计等高级功能。 
第三部分：LangGraph 应用实践与进阶（第 8~11 章），可帮助大家深入探索与研究更多高级主题。 
这部分侧重 LangGraph 的实际应用和未来发展展望。 
希望快速应用的读者：建议关注第 8 章和第 9 章的服务化部署等内容。 
对技术发展感兴趣的读者：建议阅读第 10 章和第 11 章的前沿趋势分析。 
术语说明： 
本书将“AI Agent”统一译为“AI 智能体”（有时根据语境也会简称为智能体），以更准确地传达其作为具备人工智能的自主实体的本质，并便于各领域读者理解。 
学习建议： 
 建议读者具备 Python 编程基础和 Linux/macOS 操作能力。 
熟悉 LangChain 的读者将更容易理解本书内容。不熟悉的读者建议阅读
《LangChain 实战：从原型到生产，动手打造 LLM 应用》以了解 LangChain。 
本书所有示例代码和参考资料均托管在 GitHub 仓库。 
实验环境说明 
考虑到国内开发者可能无法直接使用 OpenAI 和 Claude 等国际模型，本书将以硅基流动（SiliconCloud）平台作为本书示例代码的主要接口供应平台。该平台提供对 10B 以下参数规模模型的免费接口调用支持，便于大家实验和学习。 
本书示例代码主要选用通义千问（Qwen/Qwen2.5-7B-Instruct）和智谱清言 
（THUDM/glm-4-9b-chat）。这些模型在工具调用和结构化输出方面表现优异，特别适合构建 AI 智能体系统的需求。 
希望获得更强大模型性能和更丰富 AI 智能体系统开发体验的读者可选用DeepSeek-V3（付费）。 
接入 SiliconCloud 平台 API 有两种方式。
1. 代码直接接入 
在代码中使用 ChatOpenAI 类，通过 api_key 和 base_url 参数接入： 
Python 
from langchain_openai import ChatOpenAI 
model = ChatOpenAI( 
# 从 SiliconCloud 平台获取 
api_key="API Key", 
# SiliconCloud 平台 API 地址 
base_url="https://api.***" 
) 
请务必将 API Key 替换为您在 SiliconCloud 平台获取的实际 API Key。 
2. 环境变量接入 
通过设置 OPENAI_API_KEY 和 OPENAI_API_BASE 环境变量来接入： 
Bash 
export OPENAI_API_KEY="API Key" 
export OPENAI_API_BASE="https://api.***" 
接入完成后，在代码中直接使用 ChatOpenAI 类即可。 
Python 
from langchain_openai import ChatOpenAI 
model = ChatOpenAI() # 将自动读取环境变量中的 OPENAI_API_KEY 和 OPENAI_ 
API_BASE 
本书的后续章节将结合具体的示例，进一步演示如何在 LangGraph 应用中使用SiliconCloud 平台提供的模型接口。 
致谢 
值此书付梓之际，衷心感谢一直以来关心、支持我的爱人陆业和各位家人、朋友们！
每当遇到困难和挫折时，你们的鼓励和支持都是我坚持下去的动力；每当我遇到成功与喜悦时，你们的陪伴和分享都是我继续奋进的底气，不断激励我奔赴下一场山海。 
同时，我也要再次感谢电子工业出版社编辑孙学瑛老师的专业指导和辛勤付出。她严谨的工作态度和精益求精的精神，为本书的质量提供了有力保障。更要感谢 LangChain 开源社区和LangChain 团队的无私奉献。正是他们构建了如此优秀和充满活力的 LangChain 生态系统，才使像 LangGraph 这样的强大框架得以诞生和发展。我深知，开源社区的力量是技术创新的重要源泉，LangChain 社区的贡献精神也深深地激励着我。 
Agent 技术正处于快速发展期，LangGraph 作为 AI 智能体开发领域的新兴框架，也面临着不断迭代和完善的过程。作为 AI 智能体技术的早期探索者，我们的能力和经验尚有不足，书中难免存在疏漏和不足之处，恳请各位读者不吝赐教，提出宝贵的意见和建议，我将虚心接受并持续改进。 
最后，衷心感谢每一位选择本书的读者。你们的支持就是我们最大的动力。我们衷心希望这本书能成为大家在大语言模型 AI智能体系统开发入门或提高的有益工具， 
助力大家在各自领域探索新的机遇。通过这本书，我们希望能够帮助更多的开发者和技术爱好者走在技术的前沿，探索和创造更多的可能。 
如果没有大家的鼎力相助，这本书将无法呈现在大家面前。我们感激不尽，并祝愿大家学习、工作顺利！ 
张海立 
2025 年 7 月

张海立（网络昵称：沧海九粟）《LangChain实战：从原型到生产，动手打造 LLM 应用》作者、LangChain 官方大使、LFAPAC 开源布道师。B 站万粉 UP 主，开源爱好者，长期致力于云原生等前沿互联网技术的落地与推广。英特尔亚太研发有限公司前高级研发经理兼架构师。曹士圯（网络昵称：万千十一）腾讯研究院研究员，专注大模型前沿技术及应用研究。前独立AI工程师 & 全栈数据科学家，《LangChain实战：从原型到生产，动手打造 LLM 应用》合著者。数据玩家、工具极客、开源倡导者、 AI观察者。尹珉 杭州某科技企业DevOps运维总监，开源技术布道先锋。专注云原生与AI大模型跨界融合，推动企业级开源解决方案落地。LFAPAC认证开源布道师，深度参与Milvus、Sealos、KubeSphere等开源社区生态建设。

本书配套资源下载

对不起，暂无音视频资源！