随着GPT-5和Gemini 2.5 Pro等强大人工智能模型的兴起，利用这些模型的智能体框架也日益增多。这些框架通过抽象化工具调用、智能体状态管理以及人机协作等诸多挑战，简化了与AI模型协同工作的过程。
因此，本文将深入探讨LangGraph，一个备受关注的智能体AI框架。文章将利用LangGraph开发一个简单的智能体应用程序，并通过几个关键步骤突出智能体AI软件包的优势。此外，还将探讨使用LangGraph及其他类似智能体框架的优缺点。
本文并非由LangGraph赞助创作。选择此框架仅仅因为它目前是市场上最主流的选项之一。当然，还有许多其他优秀的替代方案，例如：
- LangChain
- LlamaIndex
- CrewAI
此图展示了一个可以使用LangGraph实现的高级AI工作流示例。该工作流包含多个路由步骤，每个步骤都导向不同的功能处理器，以有效响应用户请求。图片由作者提供。
为什么需要智能体框架？
市面上有许多宣称能简化应用程序编程的软件包。在许多情况下，这些软件包反而可能带来反效果，因为它们可能会使代码变得晦涩难懂，在生产环境中表现不佳，有时甚至使调试变得更加困难。
然而，关键在于找到那些通过抽象化样板代码来简化应用程序的软件包。这一原则在创业领域常被以下引言所强调：
专注于解决您正在尝试解决的精确问题。所有其他（此前已解决的问题）都应外包给其他应用程序。
智能体框架之所以必要，是因为它抽象了许多开发者不愿处理的复杂性：
- **状态维护**：不仅包括消息历史，还包括在执行RAG（检索增强生成）等任务时收集到的所有其他信息。
- **工具使用**：开发者无需自行设置执行工具的逻辑。相反，只需简单定义工具，让智能体框架来处理如何调用这些工具。（这对于并行和异步工具调用尤其重要）
因此，使用智能体框架可以抽象掉诸多复杂环节，从而使开发者能够专注于产品的核心部分。
LangGraph基础
为了开始LangGraph的实现，首先建议查阅其官方文档，内容涵盖：
- 基本聊天机器人实现
- 工具使用
- 状态的维护与更新
顾名思义，LangGraph基于构建图（Graph）并在每次请求时执行该图的理念。在一个图中，可以定义：
- **状态（State）**：当前内存中保留的信息。
- **节点（Nodes）**：通常是大型语言模型（LLM）或工具调用，例如对用户意图进行分类，或回答用户的问题。
- **边（Edges）**：条件逻辑，用于决定下一步应访问哪个节点。
所有这些都源于基本的图论概念。
实现工作流
本文将创建一个如图所示的智能体工作流，其中用户查询将作为起点。此查询随后被路由到三个选项之一：向数据库添加新文档、从数据库删除文档，或查询数据库中的文档。图片由作者提供。
实践被认为是最佳学习方式之一。因此，本文将利用LangGraph实现一个简单的工作流。关于构建此类工作流的详细信息，可以查阅其工作流文档，该文档基于Anthropic的《构建高效智能体》博客文章（一篇备受推崇的智能体文章，此前已在多篇文章中提及，强烈推荐阅读）。
将构建一个简单的文档处理工作流，其中用户可以：
- 创建带文本的文档
- 删除文档
- 搜索文档
为此，将创建以下工作流：
- **检测用户意图**：用户是想创建文档、删除文档还是搜索文档？
- **处理不同意图**：根据第一步的结果，将有不同的流程来处理每种意图。
当然，也可以简单地定义所有工具，并赋予智能体创建/删除/搜索文档的权限。然而，如果希望根据意图执行更多操作，首先进行意图分类路由步骤是更推荐的方法。
加载导入库和语言模型
首先，需要加载所需的导入库和语言模型。示例中将使用AWS Bedrock，但也可以使用其他提供商，具体可参考此教程的第三步。
