实战教程：如何使用 LangGraph 和 LLM Studio 构建专属 AI Agent

• September 6, 2023
• ai  
• agents  
• langgraph  
• llm-studio  

本篇笔记基于 TensorOps 机器学习工程师 Clara Gadelho 的视频教程 How to Create Your Own AI Agent - Tutorial with Clara Gadelho 整理，详细记录了如何基于现代 LLM 框架构建一个具备工具调用和记忆能力的 ReAct 智能体（旅行助理）。

一、 AI Agent 与 ReAct 架构基础

在现代大语言模型应用中，Agent（智能体） 是能够自主决策、调用外部工具并执行复杂任务的实体。

1. ReAct (Reasoning and Acting) 架构

ReAct 是构建 Agent 最主流的架构之一。它的核心思想是交替进行“思考”与“行动”：

1. Reasoning（推理）：模型根据用户的输入进行思考，分析当前状态，并决定下一步需要做什么。
2. Acting（行动）：如果需要外部信息，模型会调用指定的 Tools（工具）（如搜索引擎、API、计算器）。
3. 模型将工具返回的结果与此前的推理结合，继续进行下一步推理，直至得到最终答案返回给用户。

graph TD
    User[用户] --> Agent[Agent 推理环]
    subgraph "Agent 内部"
        LLM[LLM 决策核] <--> Memory[Memory 记忆库]
        LLM <--> Tools[Tools 工具集]
    end
    Agent -->|最终答案| User

2. 构建 Agent 的三大核心要素

• Tools（工具）：Agent 与外界交互的桥梁，可以是 API、数据库查询或任意 Python 函数。
• Memory（记忆）：使 Agent 能够记住上下文及历史多轮对话信息。
• Planning（规划）：控制推理的环路及图流向。

二、 技术选型

本教程使用了两个核心库：

• LLM Studio：TensorOps 开源的模型路由与管理库。它作为大模型的统一网关，允许开发者在无需修改业务代码的前提下，轻松在 GPT-4o、Gemini 等不同模型之间进行无缝切换。
• LangGraph：由 LangChain 团队开发的基于图（Graph）的 Agent 构建框架。它高度模块化，提供开箱即用的状态管理和循环控制能力，极大简化了复杂 Agent 架构（如多 Agent 协同）的开发。

三、 实战：构建一个智能旅行助手

1. 前置准备

在运行代码前，需要安装依赖并配置环境变量：

• 环境依赖：Python 3.10+，安装 langchain、langgraph、requests、python-dotenv 和 llm-studio。
• API 密钥：
  • 模型提供商 API 密钥（如 OpenAI Key）。
  • Weatherbit API Key：用于查询目的地的实时天气。
  • Tavily Search API Key：用于实现高性能的网页搜索。

2. 核心代码实现步骤

步骤 1：导入依赖与初始化 LLM

使用 llm-studio 作为路由器连接 OpenAI 的 gpt-4o 模型，并将其包装为可被 LangChain 兼容调用的接口。

import os
import sys
from dotenv import load_dotenv
from llm_studio import LLM  # 导入 LLM Studio

load_dotenv()

# 初始化大语言模型路由器
llm = LLM(provider="openai")
model = llm.get_model("gpt-4o")

步骤 2：定义 Agent 工具 (Tools)

为了完成旅行规划，我们为 Agent 装备了三种工具：

1. 获取系统当前时间：让 Agent 知晓“今天”的日期，以便推算预订时间。
2. 网络搜索工具：使用预置的 TavilySearchResults。
3. 获取天气工具：调用外部 Weatherbit API 接口。

重要提示：在编写自定义工具时，必须为函数添加详细的 Docstring（文档字符串）。Agent 在运行时会读取 Docstring 来判断该工具的作用以及何时去调用它。

from langchain_core.tools import tool
from langchain_community.tools.tavily_search import TavilySearchResults
from datetime import datetime

# 1. 自定义获取当前时间的工具
@tool
def get_system_date() -> str:
    """Get the current system date. Useful for calculating relative travel dates."""
    current_date = datetime.now().strftime("%Y-%m-%d")
    return f"The current date is: {current_date}"

# 2. 初始化网络搜索工具（限制返回 3 条结果以防超长）
web_search_tool = TavilySearchResults(max_results=3)

# 3. 自定义天气查询工具（调用外部 Weatherbit API）
@tool
def get_weather(location: str) -> str:
    """Fetch the weather forecast for a given location."""
    # （此处省略具体的 HTTP 请求解析代码）
    return f"Weather forecast for {location}: Sunny, 25°C."
    
tools = [get_system_date, web_search_tool, get_weather]

步骤 3：构建 ReAct Agent 与会话记忆

使用 LangGraph 的 create_react_agent 快速装配。通过引入 MemorySaver 来持久化对话状态，允许 Agent 在多轮对话中通过 thread_id 自动找回历史记忆。

from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import MemorySaver

# 定义 Agent 系统级提示词（State Modifier）
system_prompt = (
    "You are a helpful travel assistant. If given a duration for a trip, "
    "suggest a detailed daily itinerary with activities, meals, and accommodations. "
    "Include weather forecasts in your decisions and search the web for real-time flights or hotels. "
    "Make sure to provide direct links if you suggest booking."
)

# 实例化会话记忆组件
memory = MemorySaver()

# 构建 Agent 流程图
agent = create_react_agent(
    model=model,
    tools=tools,
    state_modifier=system_prompt,
    checkpointer=memory
)

步骤 4：可视化图结构

LangGraph 允许直接生成 Mermaid 架构图，其拓扑结构非常直观：

graph LR
    __start__([Start]) --> Agent[Agent 逻辑控制]
    Agent -->|需要工具| Action[调用 Tools]
    Action --> Agent
    Agent -->|推理完成| __end__([End])

四、 运行与多轮对话测试

1. 首轮提问：规划行程

配置会话 thread_id 为 1，输入任务需求：“帮我规划两周后去米兰的 3 天行程，我从波尔图出发。”

config = {"configurable": {"thread_id": "1"}}
inputs = {"messages": [("user", "Plan a 3-day trip to Milan that will happen in two weeks. I'm traveling from Porto.")]}

for event in agent.stream(inputs, config):
    # 打印运行中的事件与消息流
    pass

• 运行轨迹：
  1. Agent 自动触发 get_system_date 获取今天日期，算出两周后的精确出行时间。
  2. 调用 get_weather("Milan") 查询届时的天气。
  3. 调用 Tavily 搜索从波尔图飞往米兰的航班以及酒店价格信息。
  4. 最后，结合所有数据生成带有预订链接的精细化 3 天行程单。

2. 第二轮提问：测试会话记忆

紧接着在同一个 thread_id 下提问：“我去的时候那里的圣诞集市开了吗？”（注意：此提问中没有提到“米兰”以及出行时间）。

inputs_2 = {"messages": [("user", "Will Christmas markets be open when I go there?")]}

for event in agent.stream(inputs_2, config):
    pass

• 结果：Agent 成功从 Memory 中检索出之前的目的地为“米兰”，并且出发时间是两周后。它利用这些信息再次自动联网搜索当年米兰圣诞集市的开放时间，并给出了准确的答复。

五、 总结与启发

本教程展示了如何使用极少的代码搭建一个生产级别的 Agent 原型：

1. 极简构建：LangGraph 的 create_react_agent 屏蔽了底层图状态维护的复杂细节，使得快速验证思路变得非常简单。
2. Docstring 即代码：在 Tool 设计中，Python 函数的 Docstring 直接被充当了大模型的系统提示词，决定了模型的调用时机，凸显了“Prompt Engineering”在 Agent 时代的重要性。
3. 大模型网关的作用：配合 llm-studio，可以大幅度降低大模型升级换代时的适配成本。