跳到主要内容

LangGraph智能体开发与部署上线流程

课程说明：​

  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》(夏季班)

bef0897853f861af5f4211442be446b

《2025大模型Agent智能体开发实战》(夏季班) 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！

a55d48e952ed59f8d93e050594843bc

部分项目成果演示

from IPython.display import Video
  • MateGen项目演示
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)
  • 智能客服项目演示
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)
  • Dify项目演示
Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2f1b47f42c65fd59e8d3a83e6cb9f13b_raw.mp4", width=800, height=400)
  • LangChain&LangGraph搭建Multi-Agnet
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)

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》(夏季班)

4a11b7807056e9f5b281278c0e37dad

两门大模型课程夏季班目前上新特惠+618年中钜惠双惠叠加，合购还有更多优惠哦~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👇

img e873ea36c8a2263b2a88a0f86f9481b

LangGraph快速入门与Agent开发实战

Part 2.LangGraph智能体开发与部署上线流程

一、LangGraph开发必备工具套件回顾​

  在对LangGraph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LangGraph必备的开发者套件。分别是LangGraph运行监控框架LangSmith、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. 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」。

image-20250626130104156
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

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。

image-20250626130624364
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

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。

image-20250626131252066
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：

image-20250626132044152

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。

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/

39f6cd74c2d5ff2401fd511e9aa9b42
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

5. LangGraph内置工具库与MCP调用组件​

  除了有上述非常多实用的开发工具外，LangGraph还全面兼容LangChain的内置工具集。LangChain自诞生之初就为开发者提供了非常多种类各异的、封装好的实用工具，历经几年发展时间，目前LangChain已经拥有了数以百计的内置实用工具，包括网络搜索工具、浏览器自动化工具、Python代码解释器、SQL代码解释器等。而作为LangChain同系框架，LangGraph也可以无缝调用LangChain各项开发工具，从而大幅提高开发效率。

LangChain工具集：https://python.langchain.com/docs/integrations/tools/

image-20250626155849820

此外，LangChain是最早支持MCP的开发框架之一，借助langchain-mcp-adapters，LangChain和LangGraph便可快速接入各类MCP工具。

image-20250626160049848

并且LangGraph也同样支持谷歌的A2A（跨Agents通信协议）。

二、借助LangGraph Cli创建完整智能体项目​

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LangGraph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. 创建完整LangGraph智能体项目流程​

  • Step 1. 创建一个LangGraph项目文件夹

  我们这里创建一个langraph_chatbot文件夹，如下图所示：

image-20250624190858497
  • Step 2. 创建requirements.txt文件

  在langgraph_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

image-20250624191027491
  • 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：

image-20250624190009348 image-20250624190049558 image-20250624190123279 image-20250624190228537

  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langgraph_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：

image-20250626191522776

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graph.py核心文件

  在langgraph_chatbot文件夹中，新建一个graph.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。注意：这里不要使用init_chat_model方法，而是使用ChatDeepSeek方法，因为会存在异步阻塞问题。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

image-20250624191412113
  • Step 6. 创建langgraph.json文件

  在langgraph_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：

image-20250624191532218

  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

image-20250624191613003

  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

image-20250624191855635 e873ea36c8a2263b2a88a0f86f9481b
  • 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

image-20250624192025273

  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

image-20250624192113062

  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. LangGraph 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：

image-20250626193027400

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：

image-20250626192534605

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：

image-20250626195150434 
Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-26%2019-52-57.mp4", width=800, height=400)

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

image-20250626195531310
  • Step 1.克隆项目：

FENCE0

image-20250626195637146 image-20250626195728052 e873ea36c8a2263b2a88a0f86f9481b
  • Step 2. 安装npm

  node.js官网：https://nodejs.org

image-20250626195919940 image-20250626200017314

FENCE0

image-20250626200108284
  • Step 3. 安装前端项目依赖

FENCE0

  • Step 4. 开启Chat Agent UI

FENCE0

image-20250626200239972 image-20250626200317093 image-20250626200521303 
Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-26%2020-03-25.mp4", width=800, height=400)

三、借助LangGraph Cli打造智能数据分析助手​

  • 修改graph.py

FENCE0

  • 修改requirements.txt

FENCE0

  • 修改.env
image-20250626202441494

新增以下字段：

HOST=localhost

USER=root

MYSQL_PW=**

DB_NAME=**

PORT=3306

然后安装后端依赖：

FENCE0

image-20250626202813082 e873ea36c8a2263b2a88a0f86f9481b

即可尝试进行运行

image-20250626202010264 a0568ab30347b89dd5fb4addbe2d0f8