AI智能体开发课件第18章

AI智能体开发新手必修课第18章：实战：用LangGraph搭建多步骤任务智能体讲师：资深AI工程师|日期：2026年3月课程简介学习目标掌握使用LangGraph搭建多步骤任务智能体的方法。能够设计链式工作流、循环工作流、分支决策工作流。能够使用LangGraph实现复杂的业务逻辑。内容概览实战案例一：报告生成实战案例二：方案设计与评审实战案例三：数据分析系统目录实战案例一：报告生成——使用LangGraph搭建报告生成工作流实战案例二：方案设计与评审——使用LangGraph搭建方案设计与评审工作流实战案例三：数据分析系统——使用LangGraph搭建数据分析系统工作流互动实操任务——使用LangGraph搭建一个数据分析系统常见问题排查与本章总结实战案例一：报告生成任务目标使用LangGraph搭建报告生成工作流，包含收集数据、撰写大纲、扩写内容、格式美化四个步骤。实现思路定义四个Node，对应工作流的四个核心步骤定义三个Edge，连接节点形成链式工作流定义Graph，指定工作流的起点和终点运行工作流，自动化生成完整报告核心价值：通过LangGraph将复杂的报告生成过程标准化、自动化，显著提升内容生产效率与质量一致性。报告生成代码示例（1）fromlanggraph.graphimportStateGraph,ENDfromtypingimportTypedDict#定义State结构classState(TypedDict):data:stroutline:strcontent:strreport:str#定义Node函数defcollect_data(state:State)->State:state["data"]="收集到的数据"returnstatedefwrite_outline(state:State)->State:state["outline"]="根据数据生成的大纲"returnstate核心逻辑解析收集数据(collect_data)采集并初始化原始数据撰写大纲(write_outline)基于数据生成报告结构扩写内容(expand_content)填充大纲细节，丰富内容格式美化(format_report)生成最终可交付的报告核心流程：数据采集→大纲生成→内容扩写→格式美化，形成闭环工作流。报告生成代码示例（2）#定义Graphgraph=StateGraph(State)#添加Node与Edge，构建工作流graph.add_node("collect_data",collect_data)graph.add_edge("collect_data","write_outline")graph.add_edge("write_outline","expand_content")graph.add_edge("expand_content","format_report")#设置起点终点并编译graph.set_entry_point("collect_data")graph.add_edge("format_report",END)app=pile()代码逻辑解析这段代码定义了一个完整的工作流Graph。首先初始化了Graph对象，接着通过add_node添加了四个核心节点，并使用add_edge建立了节点间的依赖关系。最后设置了工作流的起点和终点，并编译生成了可执行的应用。实战案例二：方案设计与评审任务目标使用LangGraph搭建方案设计与评审工作流，涵盖产品经理写初稿、技术专家评审、修改优化三个核心步骤，实现自动化流转。实现思路定义三个Node，分别对应写初稿、评审、优化步骤。定义两个Edge，连接节点形成分支决策工作流。定义Graph，指定工作流的起点和终点。运行工作流，自动生成并迭代优化最终方案。LangGraph实战系列|方案设计与评审自动化工作流方案设计与评审代码示例（1）fromlanggraph.graphimportStateGraph,ENDclassState(TypedDict):draft:strreview:stroptimized:strdefwrite_draft(state:State)->State:state["draft"]="产品经理写的初稿"returnstatedefreview_draft(state:State)->State:state["review"]="技术专家的评审意见"returnstate代码逻辑解析状态定义(State)定义了工作流中的数据结构，包含草稿、评审和优化结果三个字段。节点功能(Node)每个函数代表一个处理节点，负责处理特定任务并更新状态数据。协作流程从初稿撰写到技术评审，再到方案优化，形成完整的协作闭环。核心要点：这段代码展示了如何利用LangGraph框架构建一个简单的状态驱动工作流，通过TypedDict规范数据结构，通过纯函数定义节点逻辑，确保了系统的可维护性和扩展性。方案设计与评审代码示例（2）workflow_design.py#定义Graphgraph=StateGraph(State)#添加Nodegraph.add_node("write_draft",write_draft)graph.add_node("review_draft",review_draft)graph.add_node("optimize_draft",optimize_draft)#添加Edgegraph.add_edge("write_draft","review_draft")graph.add_edge("review_draft","optimize_draft")graph.add_edge("optimize_draft",END)#设置起点和终点并编译graph.set_entry_point("write_draft")app=graph.compile()代码逻辑解析定义工作流容器创建StateGraph实例，作为工作流的基础容器。添加流程节点注册三个核心节点：撰写、评审、优化，构建任务单元。定义流转逻辑通过add_edge设定节点间的流转顺序，形成闭环。编译运行设置起点并编译生成可执行应用，启动工作流。通过代码化的方式定义业务流程，不仅清晰直观，更便于版本管理与自动化部署。实战案例三：数据分析系统任务目标使用LangGraph搭建数据分析系统工作流，涵盖理解自然语言问题、转成SQL、执行查询、分析结果并生成图表代码四个核心步骤。实现思路定义四个Node，分别对应理解问题、转SQL、执行查询、生成图表代码步骤。定义三个Edge，连接Node形成链式工作流。定义Graph，指定工作流的起点和终点。运行工作流，自动生成数据分析结果。数据分析系统代码示例（1）graph_definition.pyfromlanggraph.graphimportStateGraph,END#定义StateclassState(TypedDict):question:strsql:strresult:strchart:str#定义Nodedefunderstand_question(state:State)->State:state["question"]="用户的自然语言问题"returnstatedefconvert_to_sql(state:State)->State:state["sql"]="生成的SQL查询语句"returnstatedefexecute_query(state:State)->State:state["result"]="查询结果"returnstate代码逻辑解析理解问题(Understand)解析用户输入的自然语言问题，提取关键信息。转换SQL(Convert)将自然语言转换为数据库可执行的SQL查询语句。执行查询(Execute)连接数据库并执行SQL，获取查询结果。生成图表(Generate)基于查询结果生成可视化图表代码。通过定义State数据结构和四个核心Node，我们构建了一个从自然语言到可视化图表的完整自动化分析流程。数据分析系统代码示例（2）graph_definition.py#定义Graphgraph=StateGraph(State)#添加Nodegraph.add_node("understand_question",understand_question)graph.add_node("convert_to_sql",convert_to_sql)graph.add_node("execute_query",execute_query)graph.add_node("generate_chart",generate_chart)#添加Edge&设置起点终点graph.add_edge("understand_question","convert_to_sql")graph.add_edge("convert_to_sql","execute_query")graph.add_edge("execute_query","generate_chart")graph.set_entry_point("understand_question")graph.add_edge("generate_chart",END)代码逻辑解析定义工作流：创建StateGraph实例，作为整个数据分析流程的容器。构建节点与连接：添加四个核心处理节点，并通过Edge定义数据流转方向。设定流程边界：明确工作流的起始点和终止条件，确保流程闭环。编译运行：将定义好的静态图编译为可执行的应用程序。关键知识点：通过`StateGraph`定义工作流，利用`add_node`和`add_edge`构建复杂的状态转换逻辑，最后调用`compile()`方法生成可执行的应用。互动环节：实操任务介绍任务目标使用LangGraph搭建一个数据分析系统工作流，实现一个根据用户输入的自然语言问题生成SQL查询并执行的任务。任务步骤详解1.定义State定义一个State，包含question、sql、result三个核心字段。2.定义Node定义三个Node，分别对应理解自然语言问题、转成SQL、执行查询步骤。3.定义Edge定义两个Edge，分别连接三个Node，形成一个完整的链式工作流。4.定义Graph定义Graph，指定工作流的起点和终点，完成整体流程的编排。5.运行工作流运行工作流，测试系统是否能根据问题正确生成SQL并执行查询。核心技能掌握LangGraph的基本使用，理解状态管理与工作流编排逻辑。实操任务步骤详解1.定义State：定义一个State，包含question、sql、result三个字段。2.定义Node：定义三个Node，分别对应理解自然语言问题、转成SQL、执行查询三个步骤。3.定义Edge：定义两个Edge，分别连接三个Node，形成一个链式工作流。4.定义Graph：定义Graph，指定工作流的起点和终点。5.运行工作流：运行工作流，生成SQL查询并执行。实操任务评判标准总分：100分成功定义State能够正确定义State，包含question、sql、result三个字段。20分成功定义Node能够正确定义三个Node，分别对应理解自然语言问题、转成SQL、执行查询三个步骤。20分成功定义Edge能够正确定义两个Edge，分别连接三个Node，形成一个链式工作流。20分成功定义Graph能够正确定义Graph，指定工作流的起点和终点。20分成功运行工作流能够成功运行工作流，生成SQL查询并执行。20分常见问题排查Q1:工作流设计失败？检查工作流的结构和配置是否正确，确保节点和边的连接正确。Q2:SQL生成失败？检查自然语言问题的理解和SQL生成逻辑是否正确，确保能够正确生成SQL查询语句。Q3:查询执行失败？检查数据库连接和查询语句是否正确，确保能够正确执行查询并返回结果。本章总结多步骤任务智能体掌握了使用LangGraph搭建多步骤任务智能体的方法，能够处理复杂的流程控制。工作流设计能够设计链式工作流、循环工作流、分支决策工作流，灵活应对不同业务场景。业务逻辑实现能够使用Lan