📖《LangGraph 1.0 完全指南 Plus版》
从零开始，动手实现强大的智能体
本教程基于Dive Langgraph和官网，进行了更全面的梳理/整合，并加入多个开发案例(Cases)、以及商业解决方案(Solutions)，可作为入门+进阶教程使用。
一、项目介绍¶
2025 年 10 月中旬，LangGraph 发布 1.0 版本。开发团队承诺这是一个稳定版本，预计未来接口不会大改，因此现在正是学习它的好时机。
这是一个开源电子书项目，旨在帮助 Agent 开发者快速掌握 LangGraph 框架。LangGraph 是由 LangChain 团队开发的开源智能体框架。它功能强大，你要的记忆、MCP、护栏、状态管理、多智能体它全都有。LangGraph 通常与 LangChain 一起使用：LangChain 提供基础组件和工具，LangGraph 负责工作流和状态管理。因此，两个库都需要学习。为了让大家快速入门，本教程将两个库的主要功能提取出来，分成 14 个章节进行介绍。
前提：本项目默认你已完成AI核心知识的学习，若没有。 请移步到项目《AI Core Knowledge》进行学习。
二、安装依赖¶
pip install -r requirements.txt依赖包列表
以下为 requirements.txt 中的依赖包清单：
pydantic==2.12.5
python-dotenv==1.2.1
langchain[openai]==1.1.2
langchain-community==0.4.1
langchain-mcp-adapters==0.2.1
langchain-text-splitters==1.1.0
langgraph==1.0.4
langgraph-cli[inmem]==0.4.7
langgraph-supervisor==0.0.31
langgraph-checkpoint-sqlite==3.0.0
langmem==0.0.30
ipynbname==2025.8.0.0
fastmcp==2.13.3
beautifulsoup4==4.14.3
grandalf==0.8
mystmd==1.7.0
faiss-cpu==1.13.1
langchain_milvus==0.3.1
dashscope==1.25.4
openai>=1.0.0
aiohttp>=3.0.0
三、章节目录¶
本教程的内容速览：
| 序号 | 章节 | 主要内容 |
|---|---|---|
| 0 | AI框架详解 | 介绍当下主流的AI框架及其特点 |
| 1 | 快速入门 | 创建你的第一个 ReAct Agent |
| 2 | 状态图 | 使用 StateGraph 创建工作流 |
| 3 | 中间件 | 使用自定义中间件实现四个功能：预算控制、消息截断、敏感词过滤、PII 检测 |
| 4 | 人机交互 | 使用内置的 HITL 中间件实现人机交互 |
| 5 | 记忆 | 创建短期记忆、长期记忆 |
| 6 | 上下文工程 | 使用 State、Store、Runtime 管理上下文 |
| 7 | MCP Server | 创建 MCP Server 并接入 LangGraph |
| 8 | 监督者模式 | 两种方法实现监督者模式：tool-calling、langgraph-supervisor |
| 9 | 并行 | 如何实现并行：节点并行、Map-reduce |
| 10 | Deep Agents | 简单介绍 Deep Agents |
| 11 | 调试页面 | 介绍 langgraph-cli 提供的调试页面 |
| 12 | 开发案例 | 介绍 常见的核心开发案例 |
| 13 | 商业案例 | 介绍 常见的商业案例 |
开发案例¶
| 开发案例 | 功能简介 | 核心内容 |
|---|---|---|
| 多意图智能体 (Multi Intention Agent) | 根据大模型对用户问题进行意图识别与分类，自动选择对应的处理流程并生成相应输出。 | 意图路由 (route_by_intention) |
| 知识智能体(内存版) (Agent RAG) | 将知识文档嵌入内存向量数据库，构建RAG系统，并通过智能体实现检索与问答。 | 百练嵌入模型 (DashScopeEmbeddings) 内存向量数据库 (InMemoryVectorStore) 相似向量检索 (similarity_search) |
| 知识智能体(权限过滤版) (Auth Agent RAG) | 将知识文档嵌入内存向量数据库，将对应权限写入元数据，构建RAG系统，并通过智能体实现检索与权限过滤的问答。 | 自定义过滤 (filter_func) 元数据 (metadata) |
| 知识智能体(向量数据库版) (DB Agent RAG) | 基于 12.3 实现，将知识文档嵌入远程向量数据库，构建RAG系统，并通过智能体实现检索与权限过滤的问答。 | 向量数据库 (Qdrant) |
| 知识智能体(重排版) (DB Agent RAG Rerank) | 在向量数据库版基础上，实现检索结果的重排，提升回答相关性。 | 重排模型 (BAAI/bge-reranker-v2-m3) |
| 检索增强知识库智能体 (Enhance Agent RAG) | 集成常用检索优化策略的高阶RAG智能体，通过多路径检索、阈值过滤、重排序等技术，提升回答的准确性与可靠性。 | 检索优化策略 (enhance) |
| 高级知识库智能体 (Senior Agentic RAG) | 智能体引入自主决策、编排、推理，实现了更强大和灵活的检索。 | Agentic RAG (route_by_intention) |
| 多模态文档预处理 (Multi Modal Preprocessing) | 支持对多种格式文档（如PDF、Markdown、TXT、Excel、Image、Video）的预处理，包括文本提取、图像识别、视频分析等。 | 多模态文档处理 |
| 知识图谱智能体(Neo4j版) (Graph RAG Agent) | 将知识文档嵌入知识图谱，构建基于图结构的RAG系统，并通过智能体实现检索与问答。 | 知识图谱 (rag) |
| 知识图谱智能体(Graphiti+Neo4j版) (AI Graph RAG Agent) | 将知识文档嵌入知识图谱，构建基于图结构的RAG系统，并通过智能体实现检索与问答。 | 知识图谱 (rag) |
| 深度研究智能体 (DeepAgents) | 基于知识图谱的RAG系统，通过多智能体协作实现深度研究与问答。 | 多智能体协作 子智能体分工 文件系统工具集成 网络搜索 研究计划自动生成 结构化研究报告输出 |
| Text2Image-MCP (Z-Image文生图) | 基于 Z-Image 模型，将文本描述转换为图像，封装为MCP工具（供Agent调用）。 | 文本到图像 (text2image) |
| 代码执行器-MCP (Code Execution) | 基于MCP工具，执行用户输入的Python代码，并返回运算结果。 | 代码执行 (code_execution) |
未出现在上述章节但比较重要的代码，我放在仓库的 tests 目录下：
| 代码 | 说明 |
|---|---|
| /tests/test_rag.py | 使用 RAG 将本地文档片段注入智能体 |
使用 LangMem 管理智能体长期记忆 | |
使用 RedisStore 快速读写长期记忆 | |
| 实现一个简单的智能体路由 |
承诺：本教程完全基于 LangGraph v1.0 编写，不含任何 v0.6 的历史残留。
四、调试页面¶
langgraph-cli 提供了一个可快速启动的调试页面。
langgraph dev详见 第11章
五、延伸阅读¶
官方文档：
官方教程：
六、如何贡献¶
我们欢迎任何形式的贡献！
🐛 报告 Bug - 发现问题请提交 Issue
💡 功能建议 - 有好想法就告诉我们
📝 内容完善 - 帮助改进教程内容
🔧 代码优化 - 提交 Pull Request
七、开源协议¶
本作品采用 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议 进行许可。