LangGraph智能体（天气和新闻助手）开发与部署

说明

• 本文学自赋范社区九天老师的相关公开课课程，仅供学习和交流使用！

一 LangGraph 智能体技术架构

• LangSmith 与 LangGraph Studio 都是 LangChain AI 生态中非常核心的工具，前者是用于跟踪和分析大模型的使用情况，而langGraph Studio则是对于LangGraph来说，则是比LangSmith更加方便和高效的可视化调试工具平台。

---

• 基于LangGraph框架可以开发出各种复杂的应用、Agent、Workflow等，在生产中被部署成一个Server。
• LangGraph官方提供LangGraph Platform可以方便高效地把LangGraph的Graph部署成一个Server，其完整架构。
  
• LangGraph Studio：LangGraph Studio 是专为 LangGraph 图式代理打造的本地/云端 IDE，具备可视化节点和状态及实时调试功能。LangGraph Studio 在本地可视化运行时会自动把调用过程上传到 LangSmith。目前桌面版应用（目前【2025-7-28】仅支持Mac）和本地运行（适用于所有操作系统）。
• LangServer：最终构建出来的服务，提供Assistant API接口。
• Python/JS SDK：通过接口可以直接和LangServer提供的各个API接口连接。
• Remote Graph：类似于LangServe的用法，可以直接用Graph的接口去调用，获得的Graph是一个Runable对象，就可以去调用它的invoke，batch等。

---

• 在 LangSmith 网页端查看任何 Trace 时，又能一键Run in Studio回放整条执行链，所以它是通过统一 Trace SDK 与 LangSmith 紧密集成，而LangGraph CLI则是构建这个项目的关键。

二 LangGraph智能体项目创建流程

• 目标使用LangGraph CLI来创建一个完整的LangGraph Agent项目，并在此过程中使用LangGraph、Chat Agent UI进行前端对话，以及使用LangGraph Studio进行架构实时演示，并使用LangSmith进行运行效果监督。

1. 创建LangGraph项目文件夹：在代码文件目录下创建langraph_chatbot文件夹
2. 创建requirements.txt文件：在langgraph_chatbot文件夹中，新建一个requirements.txt文件，填写需要安装的依赖项。

langgraph
langchain
langchain-core
langchain-openai
python-dotenv
langsmith
pydantic
matplotlib
seaborn
pandas
IPython
langchain_mcp_adapters
langchain_tavily
uv

3. 注册LangSmith，并创建创建一个 API 密钥，该密钥将允许项目开始向 Langsmith 发送跟踪数据。创建完密钥后，在后续配置环境变量环节设置开启追踪、并输入密钥即可接入LangSmith。
   
   
4. 创建.env配置文件

• 以下某些平台的访问可能需要使用魔法网络，请读者自行解决。

• 请在阿里云百炼获取OPENAI_API_KEY和OPENAI_API_BASE。
• 请在openweathermap获取OPENWEATHER_API_KEY。
• 请在tavily.com/获取TAVILY_API_KEY

LANGSMITH_TRACING="true"
LANGSMITH_ENDPOINT="https://api.smith.langchain.com"
LANGSMITH_API_KEY="lsv2_xxx"
LANGSMITH_PROJECT="pr-proper-chess-56"
OPENAI_API_KEY="sk-xxx"
OPENAI_API_BASE="https://dashscope.aliyuncs.com/compatible-mode/v1"
OPENWEATHER_API_KEY="xx"
TAVILY_API_KEY="tvly-xx"

5. 创建graph.py核心文件：在langgraph_chatbot文件夹中，新建一个graph.py文件，在该文件中编写构建图的具体运行逻辑，如状态、节点、变、图的编译等。在使用LangGraph CLI创建智能体项目时，会自动设置记忆相关内容，并进行持久化记忆存储，无需手动设置。

import os
from dotenv import load_dotenv 
from langchain_openai import ChatOpenAI
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent
from langchain_tavily import TavilySearch
from langchain_core.tools import tool
from pydantic import BaseModel, Field
import requests,json# 加载环境变量
load_dotenv(override=True)# 内置搜索工具
search_tool = TavilySearch(max_results=5, topic="general")class WeatherQuery(BaseModel):loc: str = Field(description="The location name of the city")@tool(args_schema = WeatherQuery)
def get_weather(loc):"""查询即时天气函数:param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\注意，中国的城市需要用对应城市的英文名称代替，例如如果需要查询北京市天气，则loc参数需要输入'Beijing'；:return：OpenWeather API查询即时天气的结果，具体URL请求地址为：https://api.openweathermap.org/data/2.5/weather\返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息"""# Step 1.构建请求url = "https://api.openweathermap.org/data/2.5/weather"# Step 2.设置查询参数params = {"q": loc,               "appid": os.getenv("OPENWEATHER_API_KEY"),    # 输入API key"units": "metric",            # 使用摄氏度而不是华氏度"lang":"zh_cn"                # 输出语言为简体中文}# Step 3.发送GET请求response = requests.get(url, params=params)# Step 4.解析响应data = response.json()return json.dumps(data)tools = [search_tool, get_weather]# 创建模型
model = ChatOpenAI(model="qwen-plus-latest",base_url=os.getenv("OPENAI_API_BASE"))prompt = """
你是一名乐于助人的智能助手，擅长根据用户的问题选择合适的工具来查询信息并回答。当用户的问题涉及**天气信息**时，你应优先调用`get_weather`工具，查询用户指定城市的实时天气，并在回答中总结查询结果。当用户的问题涉及**新闻、事件、实时动态**时，你应优先调用`search_tool`工具，检索相关的最新信息，并在回答中简要概述。如果问题既包含天气又包含新闻，请先使用`get_weather`查询天气，再使用`search_tool`查询新闻，最后将结果合并后回复用户。所有回答应使用**简体中文**，条理清晰、简洁友好。
"""# 创建图
graph = create_react_agent(model=model, tools=tools, prompt=prompt)

6. 创建langgraph.json文件：在langgraph_chatbot文件夹中，新建一个langgraph.json文件，在该json文件中配置项目信息。
   • 必须包含dependencies和graphs字段
   • graphs字段格式：“图名”: “文件路径:变量名”
   • 配置文件必须放在与Python文件同级或更高级的目录
     

• dependencies: ["./"] ：LangGraph在当前目录查找依赖项（会自动读取requirements.txt）。
• chatbot: "./graph.py:graph"：定义图名为chatbot，来自graph.py文件中的graph变量。
• env: ".env"：指定环境变量文件位置。

./langgraph_chatbot/
├── graph.py              # 对应官方的 agent.py
├── requirements.txt      # ✅ 依赖管理
├── langgraph.json       # ✅ 配置文件
└── .env                 # ✅ 环境变量

7. 安装虚拟环境和相关依赖

D:\Code\langgraph_chatbot>uv venv
D:\Code\langgraph_chatbot>.venv\Scripts\activate
(langgraph_chatbot) D:\Code\langgraph_chatbot>pip install -U "langgraph-cli[inmem]"
(langgraph_chatbot) D:\Code\langgraph_chatbot>pip install -r requirements.txt

• 注意：执行pip install -r requirements.txt时，如果本地jupyter notebook正在开启请关闭，防止出现pip 正在尝试更新或安装 pywin32，但在卸载旧版本后，由于权限不足，无法写入系统目录（C:\ProgramData\anaconda3\Lib\site-packages\），导致安装失败并回滚。

8. 启动项目：基于创建的虚拟环境在langgraph_chatbot文件夹下，执行LangGraph dev即可启动项目。

(langgraph_chatbot) D:\Code\langgraph_chatbot>langgraph dev

(langgraph_chatbot) D:\Code\langgraph_chatbot>langgraph dev
INFO:langgraph_api.cli:Welcome to╦  ┌─┐┌┐┌┌─┐╔═╗┬─┐┌─┐┌─┐┬ ┬
║  ├─┤││││ ┬║ ╦├┬┘├─┤├─┘├─┤
╩═╝┴ ┴┘└┘└─┘╚═╝┴└─┴ ┴┴  ┴ ┴- 🚀 API: http://127.0.0.1:2024
- 🎨 Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
- 📚 API Docs: http://127.0.0.1:2024/docs
This in-memory server is designed for development and testing.
For production use, please use LangGraph Platform.

• API: http://127.0.0.1:2024是当前部署完成后的服务端口。
• Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024是LangGraph Studio的可视化页面。
• API Docs: http://127.0.0.1:2024/docs是项目端口说明。

三 LangGraph Agent部署调用流程

1. 首先可以访问API Docs: http://127.0.0.1:2024/docs查看详细的接口方法。
   
2. 然后可以点击Studio UI中显示的链接，在浏览器中打开并访问Studio。
   
3. 在LangSmith中看到当前项目运行情况。
   
4. 运行测试效果。
   
   

四 LangGraph Agent接入Agent Chat UI

0. 首先本地安装node.js
1. 打开Agent Chat UI项目主页，下载项目源码，然后解压到当前项目目录下。
2. 使用管理员运行终端，进入Agent Chat UI项目目录。执行以下命令，运行前端页面

npm install -g pnpm
pnpm -v
pnpm install # 安装前端项目依赖
pnpm dev # 开启Chat Agent UI

3. 填写Graph ID和LangSmith API Key进行连接。
   
4. 测试体验，还是存在不幻觉（不准确的情况），经过提醒纠正后，回答还可以。
   
   

• 信息真实性核对，结果为真实消息！