2025 必看！智能体接入全攻略及 LangGraph 工作流实战

当下，纯强化学习（RL）的影响仍在持续，视觉语言模型（VLM）的发展更是突飞猛进。我所关注的众多领域，无一例外地正朝着先前预测的方向稳步前行。

当我们让智能体开展工作时，常常需要为其提供各类数据作为参照，如此才能让智能体把任务出色完成。

打个比方，就好比你要组装一台婴儿车，倘若毫无头绪，这时给你一份说明书，你只需依照步骤一步步操作，就能顺利组装成功。在多智能体系统（MAS）里也是同样的道理，得让智能体的行动决策能够遵循我们的指引。

今天，我们要将 langchain 的知识库接入工作流，如此一来，后续智能体在进行决策行动时便都能加以运用。这是一个完整的从 0 到 1 的动手实践内容，前后紧密相连，每一部分都不可或缺！整个系列的具体安排如下（可直接点击跳转）：

day1：动手开启 0 - 1 学 LangGraph 工作流，探究节点和边的关系。

day2：让知识库为 Agent 提供支持，将 RAG 接入 LangGraph，实现无缝连接。

day3：构建意图分流路由，确保人尽其责，让智能体各自承担合适的任务。

day4：为智能体添加长期和短期记忆，让该记住的信息都能被留存。

day5：学习如何管理短期记忆，使智能体记住最新且重要的事项。

day6：掌握管理长期记忆的方法，让智能体长久记住用户特性，诸如姓名、生日等信息。

至于是否增加额外内容，我会根据大家的反馈情况来决定！人的专注力通常只有 10 分钟，话不多说，让我们赶紧动手实践吧！

智能体接入要素与用途

智能体可接入的内容丰富多样，其接入范畴很大程度上取决于所选用的技术栈。例如，当下开发检索增强生成（RAG）时，langchain 是最为热门的框架，其次则是 llama - index。

langchain 所支持的生态极为广泛，本次我就以它为例进行演示。

若你也在使用 langchain 开发 RAG，那可实现的功能会更多。智能体支持接入的内容包括（但不限于）以下几类：

SystemMessage

专门用于传递指导性对话内容，以此引导对话流程。

HumanMessage

负责记录用户输入内容，保证对话中的用户反馈得以妥善处理。

AIMessage

用于展示大语言模型（LLM）的响应内容，是智能体与用户互动的直接呈现。

Multimodality

提供多模式内容的额外信息，有效增强对话的丰富性与多样性。

交互消息接入

工具接入

以代码块形式呈现，赋予智能体在现实世界中执行操作的能力，比如调用外部 API、执行代码等。

状态管理器接入

Reducer 函数用于精准控制状态更新，既能保留聊天历史，又能避免状态被覆盖。

对话模型接入

为智能体提供处理和生成对话内容的核心能力。

大家不妨留言分享一下自己在做 RAG 时所使用的框架，或者给大家推荐好用的框架。

接下来，我们将深入介绍具体的接入方式，并一步步深入代码，探究如何实现这些接入操作。

接入方式详解

接入交互消息

在 langchain 中，消息属于结构化对象，用于表示 LangGraph 里不同类型的对话交流，涵盖用户消息、AI 响应以及系统级消息等。每种消息类型在管理和组织应用程序内的聊天流时都具备特定用途。

其中，最为常用的四种消息类型为：SystemMessage、HumanMessage、AIMessage 和 Multimodality 。关于这些消息类型，大家可以在相关官方文档或教程中全面学习。

接入 tools / 工具

智能体能够生成一行行函数代码作为工具，用于查询数据库或者借助函数查询最新的联网知识，可将其理解为智能体在现实世界执行操作的 “手脚”。

此前，有相关基础教程可供大家深入学习函数调用相关知识，例如以慢病 MAS 为例，对 model 的函数调用能力进行微调。

工具接入也有相应的操作步骤，具体代码

接入状态管理器

在常规的智能体工作流里，状态管理至关重要。默认情况下，处于上游的旧节点会被覆盖，但这并非绝对，有时节点需要被保留下来。

比如智能体的长期记忆，若已获取某个人物的背景信息，且该信息是后续智能体决策的重要依据，我们就不希望它被覆盖，而是希望能够留存。

本次我们借助 LangGraph 实现有选择性地记住或延续历史图形节点，此时就需要接入状态管理器，具体实现代码。

环境准备

day2 的内容相对简单。所需环境如下：

操作系统

win11

Python 版本

3.10

环境管理

conda、jupyter

大家可以自行按照以下步骤搭建环境：

创建 conda 环境

打开 miniconda 窗口，输入指令conda create -n agent python = 3.10，创建名为 “agent” 的环境，并指定 Python 版本为 3.10。

进入 conda 环境

执行conda activate agent，进入该环境。养成一个项目对应一个环境的良好习惯，进入后所有操作都仅在该环境内进行。当看到前面出现括号圈起来的 “agent”，即表明激活成功。

进入实践代码路径

通过cd指令进入存放实践代码的目录，例如cd G:\LangGraph\day2，此目录下包含代码和依赖。

安装依赖

自行准备好依赖文件，执行conda install --file requirements.txt即可完成安装。

进入 jupyter 实操

输入jupyter notebook指令，系统会自动进入并跳转到浏览器。双击 day2 文件，便可成功开启实操，接下来只需一条条执行代码，大家在过程中若有疑问，可查阅相关资料或在交流区提问。

代码实操与细节探讨

今天的内容属于基础部分，大家务必认真理解，否则后续深入学习时可能会遇到困难。

若有不理解之处，可以查阅资料或者在相关技术论坛寻求帮助。前面我们介绍了如何接入消息、工具以及状态管理器，接下来会展示具体应用这些知识的代码示例，

比如接入工具 tools，我们将今天所学的所有知识整合应用，即接入模型、tools、消息等，具体代码如下（可在实操时根据实际情况进行调整）：

接入完成后，我们就可以利用这些构建工作流：

这便是最经典的用法，基于此，日后大家可以进行无数种组合，从而指引智能体高效完成任务。