AI Agent白手起家71: LangGraph 云平台与本地开发实战

纲要LangGraph云平台概览核心组件LangGraph Server、CLI、Studio解决痛点专注逻辑减少基础设施维护本地开发使用LangGraph Server安装 CLI创建项目与模板启动本地服务器通过 SDK 与服务器交互快速启动模板与脚手架可用模板列表基于memory-agent-python模板启动LangGraph Studio调试与可视化图结构可视化状态追踪与交互式调试工具调用监控完整可运行示例环境准备构建一个简单的聊天 Agent 服务使用 Python SDK 或 HTTP 客户端调用总结与相关度说明LangGraph 云平台概览LangGraph是 LangChain 生态中用于构建多智能体工作流的核心框架。为了加速生产级部署官方推出了LangGraph Cloud Platform包含三大组件LangGraph Server预置的服务器层内置流式传输、后台任务、状态持久化、人机交互等基础能力无需手动搭建 FastAPI 或类似服务。LangGraph CLI命令行工具提供脚手架和模板用于快速创建项目。LangGraph Studio可视化调试和追踪工具与 LangSmith 深度集成实时展示图数据流和状态变化。这些工具让开发者能够将精力集中在智能体逻辑图的结构与节点上而无需关注服务器部署、负载均衡等底层细节。对于商业项目可选择将服务部署到 LangGraph Cloud个人开发者也可在本地运行全部功能。本地开发使用 LangGraph Server安装 CLI首先安装langgraph-cli命令行工具pipinstalllanggraph-cli创建新项目使用langgraph new命令从官方模板创建项目langgraph new my-agent-app--templatereact-agent-pythoncdmy-agent-app可用模板包括react-agent-python、memory-agent-python、basic-python等可在 LangGraph GitHub 仓库 中查看完整列表。配置环境变量在项目目录下创建.env文件填入大模型 API KeyOPENAI_API_KEYsk-xxxx LANGCHAIN_TRACING_V2true # 可选 LANGCHAIN_API_KEYls__xxxx # 可选启动本地服务器安装依赖后使用langgraph dev启动本地开发服务器默认监听2024端口pipinstall-e.langgraph dev出现Uvicorn running on http://0.0.0.0:2024字样即表示成功。此时可通过http://localhost:2024/docs查看自动生成的 API 文档。使用 Python SDK 与服务器交互安装langgraph-sdk客户端库远程调用本地服务器上的 Agentpipinstalllanggraph-sdkfromlanggraph_sdkimportget_client clientget_client(urlhttp://localhost:2024)thread{configurable:{thread_id:1}}asyncdefmain():asyncforchunkinclient.runs.stream(None,agent,# 图名称与项目中的 graph 变量一致input{messages:[{role:user,content:你好请做个自我介绍}]},stream_modevalues,configthread,):ifmessagesinchunk.dataandchunk.data[messages]:last_msgchunk.data[messages][-1]print(last_msg[content])importasyncio asyncio.run(main())服务器日志中会实时显示每次工具调用和模型推理的详细信息。快速启动模板与脚手架CLI 内置了多个模板涵盖常见场景模板名称描述react-agent-python基础 React Agent带工具调用memory-agent-python带长期记忆的 Agentbasic-python最简 LangGraph 项目以memory-agent-python为例创建并运行langgraph new memory-bot--templatememory-agent-pythoncdmemory-bot pipinstall-e.langgraph dev项目结构已预置好了图定义、记忆存储和环境配置只需修改.env中的 Key 即可使用。LangGraph Studio 可视化调试在启动langgraph dev后终端会输出一个 LangSmith Studio 链接。打开后可看到左侧图结构完整的多智能体流程图节点与边一目了然。对话输入区可直接发送消息进行交互测试。右侧执行面板实时展示数据流动每一步的输入输出、工具调用、状态变更均可视化。状态检查可以查看任意时刻的完整状态 JSON支持“分叉”操作从任意节点重新执行。Studio对于复杂工作流的调试非常有帮助尤其是分析工具调用的正确性和循环逻辑。完整可运行示例下面我们手动构建一个简单的聊天智能体并使用langgraph.serve将其作为本地服务运行然后通过 HTTP 客户端进行测试。这种方式无需复杂的 CLI 项目直接运行脚本即可。服务端脚本server.py# server.pyimportosfromtypingimportTypedDict,Listfromdotenvimportload_dotenvfromlanggraph.graphimportStateGraph,ENDfromlanggraph.checkpoint.memoryimportMemorySaverfromlangchain_openaiimportChatOpenAIfromlangchain_core.messagesimportHumanMessage,AIMessagefromlanggraphimportserve# langgraph 0.3load_dotenv()classChatState(TypedDict):messages:Listdefchatbot(state:ChatState)-ChatState:llmChatOpenAI(modelgpt-3.5-turbo,temperature0)responsellm.invoke(state[messages])return{messages:[response]}# 构建图graphStateGraph(ChatState)graph.add_node(chatbot,chatbot)graph.set_entry_point(chatbot)graph.add_edge(chatbot,END)# 编译并添加检查点appgraph.compile(checkpointerMemorySaver())# 启动服务默认端口 2024if__name____main__:serve(app,host0.0.0.0,port2024)在运行前确保已安装所需依赖并配置.envpipinstalllanggraph langchain-openai python-dotenv uvicornechoOPENAI_API_KEYyour-key-here.env python server.py服务启动后可以通过http://localhost:2024访问。客户端测试脚本client.py使用requests库直接调用 REST API无需额外 SDK# client.pyimportrequestsimportjson BASEhttp://localhost:2024thread_idtest-sessiondefsend_message(content:str):# 使用 /runs/stream 端点urlf{BASE}/runs/streampayload{assistant_id:agent,input:{messages:[{role:user,content:content}]},config:{configurable:{thread_id:thread_id}},stream_mode:values}headers{Content-Type:application/json}responserequests.post(url,jsonpayload,headersheaders,streamTrue)forlineinresponse.iter_lines():ifline:datajson.loads(line.decode(utf-8))ifmessagesindataanddata[messages]:# 只输出最后一条消息的内容last_msgdata[messages][-1]print(last_msg[content])if__name____main__:send_message(你好我是小明。)send_message(刚才说过的名字是什么)运行客户端脚本python client.py你将看到服务端记录对话历史并正确回答上下文问题。总结LangGraph Cloud Platform为多智能体应用提供了一套从开发、调试到部署的全流程工具链。借助 CLI 模板和本地服务器开发者可以快速启动项目专注于图结构的设计而无需手动处理 HTTP 服务、状态管理等重复工作。Studio的可视化调试更是大幅提升了复杂工作流的开发效率。无论是个人学习还是商业落地这套方案都值得尝试。本文覆盖了 LangGraph 云平台、CLI 模板、本地服务器、Studio 调试等所有核心要点并提供了代码示例。