python-LangGraph框架（3-27-LangGraph从零实现大模型智能决策工作流）

一、案例核心亮点这个极简案例完美贴合 LangGraph 入门需求核心特点一目了然纯基础依赖仅使用 LangGraph 大模型接口无额外复杂组件新手零门槛运行核心功能落地实现大模型自主决策核心能力 —— 自动判断用户问题输出对应结果标准工作流结构严格遵循 LangGraph 官方规范代码结构清晰可直接扩展为复杂工作流低代码易理解剥离冗余逻辑聚焦「状态定义→节点编写→流程编排」核心流程。二、适用场景这个基础决策工作流是所有大模型工具调用、多步骤任务的基石日常问答无需搜索的常识问题直接返回答案信息查询需要实时数据的问题天气、新闻、实时数据等输出搜索关键词作为复杂应用的前置模块后续可无缝对接搜索工具、数据库、API 接口等。三、核心实现思路整个案例的实现逻辑非常清晰分为四大核心步骤完全贴合 LangGraph 的设计理念1. 大模型初始化对接本地 / 远程大模型接口完成基础配置API 密钥、请求地址、模型参数为决策能力提供底层支持确保模型能稳定响应指令。2. 决策逻辑定义给大模型设定明确的决策规则接收用户输入的问题自主判断是否需要调用搜索工具输出标准化结果需要搜索则返回关键词无需搜索则直接返回答案。3. LangGraph 状态与节点设计这是 LangGraph 的核心定义工作流状态存储用户输入、模型输出等核心数据贯穿整个流程编写决策节点将大模型决策逻辑封装为节点作为工作流的核心执行单元节点遵循 LangGraph 标准规范接收状态数据、处理后返回新状态保证流程可流转。4. 工作流编排与运行基于 StateGraph 构建工作流连接「起始节点→决策节点→结束节点」编译工作流为可运行对象直接传入用户问题即可触发全流程最终输出模型的决策结果完成整个智能决策闭环。四、案例价值这是你踏入大模型智能体开发的第一步掌握 LangGraph 最核心的「状态管理 节点编排」思想理解大模型从「单纯问答」到「自主决策」的升级逻辑代码可直接复用快速扩展为带工具调用、多步骤处理的复杂应用完全适配 LangGraph 稳定版本生产环境也可平滑迁移。五、总结这个案例是 LangGraph 与大模型结合的最佳入门示例没有复杂的概念和冗余的代码只保留核心逻辑用 LangGraph 编排流程让大模型做决策。对于刚接触大模型应用开发的朋友先跑通这个基础工作流再逐步添加工具调用、分支判断、循环执行等功能就能快速搭建出专业的大模型智能应用。后续我会继续分享 LangGraph 进阶实战工具调用、多节点分支工作流、长流程任务编排等内容带你一步步玩转大模型工作流开发代码实现1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374fromlanggraph.graphimportStateGraph, START, ENDfromlangchain_openaiimportChatOpenAIfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserimportos# 1. 初始化 LLM DEEPSEEK_API_KEY123# 替换为实际的 API KeyllmChatOpenAI(api_keyDEEPSEEK_API_KEY,base_urlhttp://192.168.0.100:8087/v1,modelqwen3.5-35b-gptq,temperature0.3,max_tokens1024,)output_parserStrOutputParser()# 2. 定义决策链路 decision_promptChatPromptTemplate.from_template(你需要判断回答用户问题是否需要调用搜索工具1. 如果需要直接返回搜索关键词仅返回关键词无其他内容2. 如果不需要直接返回最终答案仅返回答案无其他内容用户问题{input})chain1decision_prompt | llm | output_parser# 3. 定义状态和节点函数适配 langgraph 0.0.29 # 定义图的状态结构简单字典包含 input 和 outputdefinitial_state():return{input: , output: }# 决策节点函数langgraph 0.0.29 要求节点函数接收 state 参数并返回新 statedefdecision_node(state):# 提取用户输入并调用决策链user_inputstate[input]resultchain1.invoke({input: user_input})# 更新状态state[output]resultreturnstate# 4. 构建 StateGraphlanggraph 0.0.29 兼容 # 创建 StateGraph指定状态类型为 dictgraphStateGraph(dict)# 添加节点和边graph.add_node(decision, decision_node)# 添加决策节点graph.add_edge(START,decision)# 起始点 → 决策节点graph.add_edge(decision, END)# 决策节点 → 结束点# 编译图runnablegraph.compile()print(runnable.get_graph().draw_ascii())# 6. 测试运行 if__name____main__:# 调用图传入初始状态包含用户输入input_state{input:今天北京天气怎么样,output: }resultrunnable.invoke(input_state)# 输出结果print(\n 运行结果 )print(f用户输入{result[input]})print(fLLM 输出{result[output]})结果输出-----------| __start__ |-----------***----------| decision |