LangChain Agent部署与上线流程

课程说明：

体验课内容节选自《2025大模型Agent智能体开发实战》(秋季班) 完整版付费课程

体验课时间有限，若想深度学习大模型技术，欢迎大家报名由我主讲的《2025大模型Agent智能体开发实战》(秋季班)

《2025大模型Agent智能体开发实战》(秋招冲刺班) 为【100+小时】体系大课，总共20大模块精讲精析，零基础直达大模型企业级应用！

课程完整介绍

秋季班重磅新增14项实战案例

部分课程成果演示

from IPython.display import Video

Dify+DeepSeek搭建智能微信语音客服

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2f1b47f42c65fd59e8d3a83e6cb9f13b_raw.mp4", width=800, height=400)

Coze自动图文视频创作流程

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/Coze%E5%8A%A8%E6%80%81%E8%A7%86%E9%A2%91%E7%94%9F%E6%88%90%E5%AE%9E%E4%BE%8B.mp4", width=800, height=400)

可视化数据分析Multi-Agent

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/%E5%8F%AF%E8%A7%86%E5%8C%96%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90Multi-Agent%E6%95%88%E6%9E%9C%E6%BC%94%E7%A4%BA%E6%95%88%E6%9E%9C.mp4", width=800, height=400)

高效微调全自动数据集创建

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/easy_daset_yanshi.mp4", width=800, height=400)

MateGen Pro 项目功能演示

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/MG%E6%BC%94%E7%A4%BA%E8%A7%86%E9%A2%91.mp4", width=800, height=400)

智能客服项目展示

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/%E6%99%BA%E8%83%BD%E5%AE%A2%E6%9C%8D%E6%A1%88%E4%BE%8B%E8%A7%86%E9%A2%91.mp4", width=800, height=400)

GraphRAG+多模态文档检索

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/7%E6%9C%8817%E6%97%A5%281%29%20%E8%BF%9B%E5%BA%A6%E6%9D%A1.mp4", width=800, height=400)

此外，若是对大模型底层原理感兴趣，也欢迎报名由我和菜菜老师共同主讲的《2025大模型原理与实战课程》(秋季班)

详细信息扫码添加助教，回复“大模型”，即可领取课程大纲&查看课程详情👇

LangChain 1.0入门实战

Part 5.LangChain Agent部署与上线流程

1.LangChain Agent开发必备工具套件回顾

在对LangChain 1.0有了一定的基础了解之后，对于开发者来说，还需要进一步了解和掌握LangChain Agent必备的开发者套件。分别是LangChain Agent运行监控框架LangSmith、底层LangGraph图结构可视化与调试框架LangGraph Studio和LangGraph服务部署工具LangGraph Cli。可以说这些开发工具套件，是真正推动LangGraph的企业级应用开发效率大幅提升的关键。同时监控、调试和部署工具，也是全新一代企业级Agent开发框架的必备工具，也是开发者必须要掌握的基础工具。

1.1 LangGraph运行监控框架：LangSmith

LangSmith官网地址：https://docs.smith.langchain.com/

LangSmith 是一款用于构建、调试、可视化和评估 LLM 工作流的全生命周期开发平台。它聚焦的不是模型训练，而是我们在构建 AI 应用（尤其是多工具 Agent、LangChain/Graph）时的「可视化调试」、「性能评估」与「运维监控」。

功能类别	描述	场景
🧪 调试追踪（Trace Debugging）	可视化展示每个 LLM 调用、工具调用、Prompt、输入输出	Agent 调试、Graph 调用链分析
📊 评估（Evaluation）	支持自动评估多个输入样本的回答质量，可自定义评分维度	批量测试 LLM 表现、A/B 对比
🧵 会话记录（Sessions / Runs）	每次 chain 或 agent 的运行都会被记录为一个 Run，可溯源	Agent 问题诊断、用户问题分析
🔧 Prompt 管理器（Prompt Registry）	保存、版本控制、调用历史 prompt	多版本 prompt 迭代测试
📈 流量监控（Telemetry）	实时查看运行次数、错误率、响应时间等	在生产环境中监控 Agent 质量
📁 Dataset 管理	管理自定义测试集样本，支持自动化评估	微调前评估、数据对比实验
📜 LangGraph 可视化	对 LangGraph 中每个节点运行情况进行实时可视化展示	Graph 执行追踪

1.2 LangGraph图结构可视化与调试框架：LangGraph Studio

LangGraph Studio官网地址：https://www.langgraph.dev/studio

LangGraph Studio 是一个用于可视化构建、测试、分享和部署智能体流程图的图形化 IDE + 运行平台。

功能模块	说明	应用场景
🧩 Graph 编辑器	以拖拽方式创建节点（工具、模型、Router）并连接	零代码构建 LangGraph
🔍 节点配置器	每个节点可配置 LLM、工具、Router 逻辑、Memory	灵活定制 Agent 控制流
▶️ 即时测试	输入 prompt 可在浏览器中运行整个图	实时测试执行结果
💾 云端保存 / 分享	将构建的 Graph 保存为公共 URL / 私人项目	团队协作，Demo 分享
📎 Tool 插件管理	可连接自定义工具（MCP）、HTTP API、Python 工具	插件式扩展 Agent 功能
🔁 Router 分支节点	创建条件分支，支持 if/else 路由	决策型智能体
📦 上传文档 / 多模态	可以上传文件（如 PDF）并嵌入进图中处理流程	RAG 结构、OCR、图文问答等
🧠 Prompt 输入/预览	编辑 prompt 并观察其运行效果	Prompt 工程调试
📤 一键部署	将 Graph 部署为可被 Agent Chat UI 使用的 Assistant	快速集成到前端

1.3 LangGraph服务部署工具：LangGraph Cli

LangGraph Cli官网地址：https://www.langgraph.dev/ （需要代理环境）

LangGraph CLI 是用于本地启动、调试、测试和托管 LangGraph 智能体图的开发者命令行工具。

功能类别	命令示例	说明
✅ 启动 Graph 服务	`langgraph dev`	启动 Graph 的开发服务器，供前端（如 Agent Chat UI）调用
🧪 测试 Graph 输入	`langgraph run graph:graph --input '{"input": "你好"}'`	本地 CLI 输入测试，输出结果
🧭 管理项目结构	`langgraph init`	初始化一个标准 Graph 项目目录结构
📦 部署 Graph（未来）	`langgraph deploy`（预留）	发布 graph 至 LangGraph 云端（已对接 Studio）
🧱 显示 Assistant 列表	`langgraph list`	显示当前 graph 中有哪些 assistant（即 entrypoint）
🔄 重载运行时	自动热重载	修改 `graph.py` 时，`dev` 模式自动重启生效

而一旦应用成功部署上线，LangGraph Cli还会非常贴心的提供后端接口说明文档：

而对于LangGraph构建的智能体，除了能够本地部署外，官方也提供了云托管服务，借助LangGraph Platform，开发者可以将构建的智能体 Graph部署到云端，并允许公开访问，同时支持支持长时间运行、文件上传、外部 API 调用、Studio 集成等功能。

1.4 LangGraph Agent前端可视化工具：Agent Chat UI

Agent Chat UI 是 LangGraph/LangChain 官方提供的多智能体前端对话面板，用于与后端 Agent（Graph 或 Chain）进行实时互动，支持上传文件、多工具协同、结构化输出、多轮对话、调试标注等功能。

Agent Chat UI官网地址：https://langchain-ai.github.io/langgraph/agents/ui/

功能模块	描述	应用场景
💬 多轮对话框	类似 ChatGPT 的输入区域，支持多轮上下文	用户提问，Agent 回复
🛠 工具调用轨迹显示	显示每个调用的工具、参数、结果（结构化）	Agent 推理透明化
📄 上传 PDF / 图片	支持上传文档、图片、嵌入多模态输入	RAG、OCR、图像问答
📁 文件面板	可查看上传历史文件、删除、重新引用	管理文档输入
🧭 Assistant 切换	支持切换不同 Assistant（Graph entry）	一键切换模型能力（如 math / weather）
🧩 插件支持	与 MCP 工具、LangGraph 图打通	工具式 Agent 调用
🔍 调试视图	显示每轮 Agent 的思维过程和中间状态	Prompt 调试、模型行为分析
🌐 云部署支持	支持接入远端 Graph API（如 dev 服务器）	前后端分离部署
🧪 与 LangSmith 对接（可选）	若后端启用 tracing，可同步显示运行 trace	调试闭环

2.借助LangGraph Cli创建完整智能体项目

2.1 LangGraph智能体项目说明

LangSmith 与 LangGraph Studio 都是 LangChain AI 生态中非常核心的工具，前者是用于跟踪和分析大模型的使用情况，而langGraph Studio则是对于LangChian Agent来说，则是比LangSmith更加方便和高效的可视化调试工具平台。

大家可以思考一个问题：基于LangGraph框架可以开发出各种复杂的应用、Agent、Workflow等，那么这些应用、Agent、Workflow等在生产中如何部署和运行呢？解决方案就是把它们部署成一个Server。而对如何方便高效的把LangGraph的Graph部署成一个Server，LangGraph官方提供了LangGraph Platform，其完整架构如下所示：

LangGraph Studio：桌面版应用（目前仅支持Mac）和本地运行（适用于所有操作系统）；
LangServer：最终构建出来的服务，提供Assistant API接口；
Python/JS SDK：通过接口可以直接和 LangServer 提供的各个API接口连接；
Remote Graph：类似于之前LangServe的用法，可以直接用 Graph 的接口去调用，这样拿到的Graph就是一个 Runable对象，就可以去调用它的invoke，batch 等。

LangGraph Studio 是专为 LangGraph 图式代理打造的本地/云端 IDE，具备可视化节点和状态及实时调试功能。LangGraph Studio 在本地可视化运行时会自动把调用过程上传到 LangSmith；而在 LangSmith 网页端查看任何 Trace 时，又能一键Run in Studio回放整条执行链，所以它是通过统一 Trace SDK 与 LangSmith 紧密集成。而LangGraph CLI则是构建这个项目的关键

接下来我们就来详细的讲解下如何使用LangGraph CLI来创建一个完整的LangGraph Agent项目，并在此过程中使用LangGraph Chat Agent UI进行前端对话，以及使用LangGraph Studio进行架构实时演示，并使用LangSmith进行运行效果监督。

首先需要说明的是，如果想要把一个定义的Graph添加到LangGraph Studio中，需要严格按照官方要求的项目结构进行构建，需要执行的步骤依次是：

2.1 创建完整LangGraph智能体项目流程

Step 1. 创建一个LangChain Agent项目主文件夹

我们这里创建一个LangChain Chatbot文件夹，如下图所示：

Step 2. 创建requirements.txt文件

在LangChain Chatbot文件夹中，新建一个requirements.txt文件，里面需要填写在运行该项目时需要安装的依赖项，如下所示：

FENCE0

Step 3. 注册LangSmith（可选）

对于企业级的Agent项目，为了更好的监控智能体实时运行情况，我们可以考虑借助LangSmith进行追踪（会将智能体运行情况实时上传到LangGraph官网并进行展示）。

要开始使用 LangSmith，我们需要创建一个帐户。可以在这里注册一个免费帐户进入LangSmith登录页面： https://smith.langchain.com/ ，支持使用 Google、GitHub、Discord 和电子邮件登录。

注册并等登录后，可以直接查看到仪表板：

在构建程序跟踪前，首先需要创建一个 API 密钥，该密钥将允许我们的项目开始向 Langsmith 发送跟踪数据。创建完密钥后，在后续配置环境变量环节设置开启追踪、并输入密钥即可接入LangSmith。

Step 4. 创建.env配置文件

在LangChain Chatbot文件夹中，新建一个.env文件，将敏感信息（如API密钥）放在环境变量中而不是硬编码。如下所示：

这里需要注意的是，如果不设置LangSmith，则无需设置中间三个环境变量，而具体工具也可以根据实际需求进行设置。

Step 5. 创建agent.py核心文件

在LangChain Chatbot文件夹中，新建一个agent.py文件，在该文件中编写构建图的具体运行逻辑，如状态、节点、变、图的编译等。此外，在使用LangGraph CLI创建智能体项目时，会自动设置记忆相关内容，并进行持久化记忆存储，无需手动设置。因此此时智能体代码如下所示：

FENCE0

Step 6. 创建langgraph.json文件

在LangChain Chatbot文件夹中，新建一个langgraph.json文件，在该json文件中配置项目信息，遵循规范如下所示：

必须包含 dependencies 和 graphs 字段
graphs 字段格式："图名": "文件路径:变量名"
配置文件必须放在与Python文件同级或更高级的目录

注意: 项目文件的名称必须为langgraph.json。如下所示：

FENCE0

其中：

dependencies: ["./"] - 告诉LangGraph在当前目录查找依赖项（会自动读取requirements.txt）
chatbot: "./graph.py:graph" - 定义图名为chatbot，来自graph.py文件中的graph变量
env: ".env" - 指定环境变量文件位置

最终完整项目结构如下所示：

FENCE0

完整的代码已经上传至百度网盘中的langgraph_chatbot文件夹中，大家可以扫描下方二维码免费领取

Step 7. 安装langgraph-cli以及其他依赖

然后，安装langgraph-cli依赖，执行如下代码：

FENCE0

然后进入到langgraph_chatbot文件夹，安装相关基础依赖：

FENCE0

最后，进入到langgraph_chatbot文件夹，执行LangGraph dev即可启动项目

FENCE0

启动成功后能看到三个连接，其中第一个连接是当前部署完成后的服务端口，第二个是LangGraph Studio的可视化页面，第三个端口是端口说明。

3. LangChain Agent部署后调用流程

后端服务接口

这里我们首先可以看下第三个连接，其中包含了详细的接口调用方法：

这些暴露的接口和调用方法，接下来就可以用于进行进一步开发和测试。

LangGraph Studio

然后我们可点击Studio UI中显示的链接，在浏览器中打开并访问Studio，如下所示：

完整演示流程如下所示：

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-26%2019-29-04.mp4", width=800, height=400)

LangSmith

而如果此前设置了追踪，此时就能在LangSmith中看到当前项目运行情况：

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-26%2019-52-57.mp4", width=800, height=400)

4. LangChain Agent后端接入Agent Chat UI完整流程

项目主页：https://github.com/langchain-ai/agent-chat-ui

Step 1.克隆项目：

FENCE0

GitHub代理设置（若开启代理且端口为10080时）：
git config --global http.proxy http://127.0.0.1:10080
git config --global https.proxy http://127.0.0.1:10080

Step 2. 安装npm

node.js官网：https://nodejs.org

FENCE0

Step 3. 安装前端项目依赖

FENCE0

Step 4. 开启Chat Agent UI

FENCE0

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-26%2020-03-25.mp4", width=800, height=400)

完整源码领取：

注意需要自己创建.env文件

3.【实战】借助LangChain Agent打造智能数据分析助手

在完整了解了LangChain Agent各项开发工具的使用方法之后，接下来我们尝试使用LangGraph的开发生态，来创建一个同时具备数据库查询和Python代码解释器功能的智能数据分析助手Data Agent。

需要注意的是，LangChain内置工具中包含NL2SQL工具和Python工具，但为了获得更加稳定的数据查询和Python编程效果，这里我们考虑手动编写相关外部函数。

Data Agent完整项目架构

效果演示

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/49cf479447e430084c1bdc59f5838f6d_raw.mp4", width=800, height=400)

import os
from dotenv import load_dotenv 
from langchain_deepseek import ChatDeepSeek
from typing import Annotated
from typing_extensions import TypedDict
from langchain.agents import create_agent
from langchain.tools import tool
from pydantic import BaseModel, Field
import matplotlib
import json
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import pymysql
from langchain_tavily import TavilySearch

# 加载环境变量
load_dotenv(override=True)

1. 数据库查询工具编写

首先是数据查询函数，这里我们创建两个外部工具，分别用于执行MySQL数据查询（sql_inter）和MySQL数据库的数据提取（extract_data）。很多场景下更加细分的外部函数功能，往往会带来更加稳定的查询结果。

1.1 MySQL数据查询工具sql_inter编写

description = """
当用户需要进行数据库查询工作时，请调用该函数。
该函数用于在指定MySQL服务器上运行一段SQL代码，完成数据查询相关工作，
并且当前函数是使用pymsql连接MySQL数据库。
本函数只负责运行SQL代码并进行数据查询，若要进行数据提取，则使用另一个extract_data函数。
"""

# ✅ 定义结构化参数模型
class SQLQuerySchema(BaseModel):
    sql_query: str = Field(description=description)

# ✅ 封装为 LangGraph 工具
@tool(args_schema=SQLQuerySchema)
def sql_inter(sql_query: str) -> str:
    """
    当用户需要进行数据库查询工作时，请调用该函数。
    该函数用于在指定MySQL服务器上运行一段SQL代码，完成数据查询相关工作，
    并且当前函数是使用pymsql连接MySQL数据库。
    本函数只负责运行SQL代码并进行数据查询，若要进行数据提取，则使用另一个extract_data函数。
    :param sql_query: 字符串形式的SQL查询语句，用于执行对MySQL中telco_db数据库中各张表进行查询，并获得各表中的各类相关信息
    :return：sql_query在MySQL中的运行结果。   
    """
    # print("正在调用 sql_inter 工具运行 SQL 查询...")
    
    # 加载环境变量
    load_dotenv(override=True)
    host = os.getenv('HOST')
    user = os.getenv('USER')
    mysql_pw = os.getenv('MYSQL_PW')
    db = os.getenv('DB_NAME')
    port = os.getenv('PORT')
    
    # 创建连接
    connection = pymysql.connect(
        host=host,
        user=user,
        passwd=mysql_pw,
        db=db,
        port=int(port),
        charset='utf8'
    )
    
    try:
        with connection.cursor() as cursor:
            cursor.execute(sql_query)
            results = cursor.fetchall()
            # print("SQL 查询已成功执行，正在整理结果...")
    finally:
        connection.close()

    # 将结果以 JSON 字符串形式返回
    return json.dumps(results, ensure_ascii=False)

1.2 MySQL数据提取工具extract_data编写

# ✅ 定义结构化参数
class ExtractQuerySchema(BaseModel):
    sql_query: str = Field(description="用于从 MySQL 提取数据的 SQL 查询语句。")
    df_name: str = Field(description="指定用于保存结果的 pandas 变量名称（字符串形式）。")

# ✅ 注册为 Agent 工具
@tool(args_schema=ExtractQuerySchema)
def extract_data(sql_query: str, df_name: str) -> str:
    """
    用于在MySQL数据库中提取一张表到当前Python环境中，注意，本函数只负责数据表的提取，
    并不负责数据查询，若需要在MySQL中进行数据查询，请使用sql_inter函数。
    同时需要注意，编写外部函数的参数消息时，必须是满足json格式的字符串，
    :param sql_query: 字符串形式的SQL查询语句，用于提取MySQL中的某张表。
    :param df_name: 将MySQL数据库中提取的表格进行本地保存时的变量名，以字符串形式表示。
    :return：表格读取和保存结果
    """
    print("正在调用 extract_data 工具运行 SQL 查询...")
    
    load_dotenv(override=True)
    host = os.getenv('HOST')
    user = os.getenv('USER')
    mysql_pw = os.getenv('MYSQL_PW')
    db = os.getenv('DB_NAME')
    port = os.getenv('PORT')

    # 创建数据库连接
    connection = pymysql.connect(
        host=host,
        user=user,
        passwd=mysql_pw,
        db=db,
        port=int(port),
        charset='utf8'
    )

    try:
        # 执行 SQL 并保存为全局变量
        df = pd.read_sql(sql_query, connection)
        globals()[df_name] = df
        # print("数据成功提取并保存为全局变量：", df_name)
        return f"✅ 成功创建 pandas 对象 `{df_name}`，包含从 MySQL 提取的数据。"
    except Exception as e:
        return f"❌ 执行失败：{e}"
    finally:
        connection.close()

2. Python代码解释器函数编写

接下来继续定义Python代码解释器外部工具组。考虑到实际应用情况，这里同样是编写两个外部函数，分别用于执行普通的Python代码（python_inter）以及绘图类的代码（fig_inter）。

2.1 python_inter函数编写

# Python代码执行工具
class PythonCodeInput(BaseModel):
    py_code: str = Field(description="一段合法的 Python 代码字符串，例如 '2 + 2' 或 'x = 3\\ny = x * 2'")


@tool(args_schema=PythonCodeInput)
def python_inter(py_code):
    """
    当用户需要编写Python程序并执行时，请调用该函数。
    该函数可以执行一段Python代码并返回最终结果，需要注意，本函数只能执行非绘图类的代码，若是绘图相关代码，则需要调用fig_inter函数运行。
    """    
    g = globals()
    try:
        # 尝试如果是表达式，则返回表达式运行结果
        return str(eval(py_code, g))
    # 若报错，则先测试是否是对相同变量重复赋值
    except Exception as e:
        global_vars_before = set(g.keys())
        try:            
            exec(py_code, g)
        except Exception as e:
            return f"代码执行时报错{e}"
        global_vars_after = set(g.keys())
        new_vars = global_vars_after - global_vars_before
        # 若存在新变量
        if new_vars:
            result = {var: g[var] for var in new_vars}
            # print("代码已顺利执行，正在进行结果梳理...")
            return str(result)
        else:
            # print("代码已顺利执行，正在进行结果梳理...")
            return "已经顺利执行代码"

2.2 fig_inter函数编写

class FigCodeInput(BaseModel):
    py_code: str = Field(description="要执行的 Python 绘图代码，必须使用 matplotlib/seaborn 创建图像并赋值给变量")
    fname: str = Field(description="图像对象的变量名，例如 'fig'，用于从代码中提取并保存为图片")

@tool(args_schema=FigCodeInput)
def fig_inter(py_code: str, fname: str) -> str:
    """
    当用户需要使用 Python 进行可视化绘图任务时，请调用该函数。
    该函数会执行用户提供的 Python 绘图代码，并自动将生成的图像对象保存为图片文件并展示。
    """
    print("正在调用fig_inter工具运行Python代码...")

    current_backend = matplotlib.get_backend()
    matplotlib.use('Agg')

    local_vars = {"plt": plt, "pd": pd, "sns": sns}
    
    # ✅ 设置图像保存路径（你自己的绝对路径）
    base_dir = r"C:\Users\Admin\Desktop\LangGraph App\data_agent\agent-chat-ui\public"
    images_dir = os.path.join(base_dir, "images")
    os.makedirs(images_dir, exist_ok=True)  # ✅ 自动创建 images 文件夹（如不存在）

    try:
        g = globals()
        exec(py_code, g, local_vars)
        g.update(local_vars)

        fig = local_vars.get(fname, None)
        if fig:
            image_filename = f"{fname}.png"
            abs_path = os.path.join(images_dir, image_filename)  # ✅ 绝对路径
            rel_path = os.path.join("images", image_filename)    # ✅ 返回相对路径（给前端用）

            fig.savefig(abs_path, bbox_inches='tight')
            return f"✅ 图片已保存，路径为: {rel_path}"
        else:
            return "⚠️ 图像对象未找到，请确认变量名正确并为 matplotlib 图对象。"
    except Exception as e:
        return f"❌ 执行失败：{e}"
    finally:
        plt.close('all')
        matplotlib.use(current_backend)

这里需要注意的是，需要将base_dir修改为自己的项目文件下的agent-chat-ui（前端项目文件）public路径，否则Agent Chat UI将无法识别创建的图片。

3. 创建完整Data Agent项目

在定义好了核心外部工具后，接下来即可创建完整的LangChain Agent项目了。这里我们先创建项目主目录：Data Agent。

Step 1. 创建主函数

创建项目文件夹，然后创建agent.py文件，并写入如下代码：

FENCE0

Step 2.创建requirements.txt

当前项目需要更多依赖，具体依赖如下所示：

FENCE0

然后即可直接安装依赖：

FENCE0

Step 3.编写.env

需要增加数据库相关字段，并根据本地安装的MySQL进行设置：

HOST=localhost

USER=root

MYSQL_PW=**

DB_NAME=**

PORT=3306

Step 4.创建langgraph.json文件

FENCE0

这里我们将当前的Agent取名为data_agent:

Step 5.开启后端服务

然后即可开启后端服务：

FENCE0

然后即可在LanguageGraph Studio中进行功能测试：

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-27%2017-30-09.mp4", width=800, height=400)

完整项目代码已上传至百度网盘，扫码即可领取：

注意需要自己创建.env文件

Step 6.开启前端服务

接下来可以复用前端的服务，但更推荐围绕当前项目单独再下载一个前端模板并进行运行：

FENCE0

然后即可登录并进行测试，这里需要写清楚Agent名称，并可选输入LangSmith的API Key：

然后即可开始进行对话：

请帮我查询当前数据库中总共有几张表

请帮我用Python代码模拟数据并绘制核密度分布图

4. Data Agent实际功能测试

你好，好久不见，请介绍下你自己
请帮我查询，数据库中总共有几张表
请问数据库中这些表都分别由多少数据

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-27%2017-44-49.mp4", width=800, height=400)

目前我的主目录下有一个名叫telco_data.csv的数据集，这个数据集是Kaggle上非常有名的电信用户流式预测数据集，请你帮我上网搜索这个数据集的相关信息，接下来我们需要一起围绕这个数据集进行数据分析工作。

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-27%2018-58-32.mp4", width=800, height=400)

目前我的主目录下有一个名叫telco_data.csv的数据集，请帮我绘制一张热力图，来展示除customerID、MonthlyCharges、TotalCharges字段外，其他离散字段和标签之间的关联关系。

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-27%2019-11-41.mp4", width=800, height=400)

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-27%2019-14-41.mp4", width=800, height=400)

课程说明：​

课程完整介绍​

秋季班重磅新增14项实战案例​

部分课程成果演示​

LangChain 1.0入门实战

Part 5.LangChain Agent部署与上线流程​

1.LangChain Agent开发必备工具套件回顾​

1.1 LangGraph运行监控框架：LangSmith​

1.2 LangGraph图结构可视化与调试框架：LangGraph Studio​

1.3 LangGraph服务部署工具：LangGraph Cli​

1.4 LangGraph Agent前端可视化工具：Agent Chat UI​

2.借助LangGraph Cli创建完整智能体项目​

2.1 LangGraph智能体项目说明​

2.1 创建完整LangGraph智能体项目流程​

3. LangChain Agent部署后调用流程​

4. LangChain Agent后端接入Agent Chat UI完整流程​

3.【实战】借助LangChain Agent打造智能数据分析助手​

1. 数据库查询工具编写​

1.1 MySQL数据查询工具sql_inter编写​

1.2 MySQL数据提取工具extract_data编写​

2. Python代码解释器函数编写​

2.1 python_inter函数编写​

2.2 fig_inter函数编写​

3. 创建完整Data Agent项目​

4. Data Agent实际功能测试​

课程说明：

课程完整介绍

秋季班重磅新增14项实战案例

部分课程成果演示

Part 5.LangChain Agent部署与上线流程

1.LangChain Agent开发必备工具套件回顾

1.1 LangGraph运行监控框架：LangSmith

1.2 LangGraph图结构可视化与调试框架：LangGraph Studio

1.3 LangGraph服务部署工具：LangGraph Cli

1.4 LangGraph Agent前端可视化工具：Agent Chat UI

2.借助LangGraph Cli创建完整智能体项目

2.1 LangGraph智能体项目说明

2.1 创建完整LangGraph智能体项目流程

3. LangChain Agent部署后调用流程

4. LangChain Agent后端接入Agent Chat UI完整流程

3.【实战】借助LangChain Agent打造智能数据分析助手

1. 数据库查询工具编写

1.1 MySQL数据查询工具sql_inter编写

1.2 MySQL数据提取工具extract_data编写

2. Python代码解释器函数编写

2.1 python_inter函数编写

2.2 fig_inter函数编写

3. 创建完整Data Agent项目

4. Data Agent实际功能测试