python-LangGraph框架（3-27-LangGraph从零实现大模型智能决策工作流）

一、案例核心亮点

这个极简案例完美贴合 LangGraph 入门需求，核心特点一目了然：

  1. 纯基础依赖：仅使用 LangGraph + 大模型接口，无额外复杂组件，新手零门槛运行；
  2. 核心功能落地：实现大模型自主决策核心能力 —— 自动判断用户问题，输出对应结果；
  3. 标准工作流结构：严格遵循 LangGraph 官方规范，代码结构清晰，可直接扩展为复杂工作流；
  4. 低代码易理解：剥离冗余逻辑，聚焦「状态定义→节点编写→流程编排」核心流程。

二、适用场景

这个基础决策工作流，是所有大模型工具调用、多步骤任务的基石：

  • 日常问答：无需搜索的常识问题，直接返回答案；
  • 信息查询：需要实时数据的问题（天气、新闻、实时数据等），输出搜索关键词；
  • 作为复杂应用的前置模块：后续可无缝对接搜索工具、数据库、API 接口等。

三、核心实现思路

整个案例的实现逻辑非常清晰，分为四大核心步骤，完全贴合 LangGraph 的设计理念：

1. 大模型初始化

对接本地 / 远程大模型接口，完成基础配置（API 密钥、请求地址、模型参数），为决策能力提供底层支持，确保模型能稳定响应指令。

2. 决策逻辑定义

给大模型设定明确的决策规则：

  • 接收用户输入的问题；
  • 自主判断是否需要调用搜索工具；
  • 输出标准化结果：需要搜索则返回关键词，无需搜索则直接返回答案。

3. LangGraph 状态与节点设计

这是 LangGraph 的核心：

  • 定义工作流状态：存储用户输入、模型输出等核心数据，贯穿整个流程；
  • 编写决策节点：将大模型决策逻辑封装为节点，作为工作流的核心执行单元；
  • 节点遵循 LangGraph 标准规范，接收状态数据、处理后返回新状态，保证流程可流转。

4. 工作流编排与运行

  • 基于 StateGraph 构建工作流，连接「起始节点→决策节点→结束节点」；
  • 编译工作流为可运行对象，直接传入用户问题即可触发全流程；
  • 最终输出模型的决策结果，完成整个智能决策闭环。

四、案例价值

这是你踏入大模型智能体开发的第一步：

  1. 掌握 LangGraph 最核心的「状态管理 + 节点编排」思想；
  2. 理解大模型从「单纯问答」到「自主决策」的升级逻辑；
  3. 代码可直接复用，快速扩展为带工具调用、多步骤处理的复杂应用；
  4. 完全适配 LangGraph 稳定版本，生产环境也可平滑迁移。

五、总结

这个案例是 LangGraph 与大模型结合的最佳入门示例，没有复杂的概念和冗余的代码，只保留核心逻辑：用 LangGraph 编排流程，让大模型做决策。

对于刚接触大模型应用开发的朋友，先跑通这个基础工作流，再逐步添加工具调用、分支判断、循环执行等功能，就能快速搭建出专业的大模型智能应用。

后续我会继续分享 LangGraph 进阶实战：工具调用、多节点分支工作流、长流程任务编排等内容，带你一步步玩转大模型工作流开发～

代码实现：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

fromlanggraph.graphimportStateGraph, START, END

fromlangchain_openaiimportChatOpenAI

fromlangchain_core.promptsimportChatPromptTemplate

fromlangchain_core.output_parsersimportStrOutputParser

importos

# ==================== 1. 初始化 LLM ====================

DEEPSEEK_API_KEY="123"# 替换为实际的 API Key

llm=ChatOpenAI(

api_key=DEEPSEEK_API_KEY,

base_url="http://192.168.0.100:8087/v1",

model="qwen3.5-35b-gptq",

temperature=0.3,

max_tokens=1024,

)

output_parser=StrOutputParser()

# ==================== 2. 定义决策链路 ====================

decision_prompt=ChatPromptTemplate.from_template("""

你需要判断回答用户问题是否需要调用搜索工具：

1. 如果需要，直接返回搜索关键词（仅返回关键词，无其他内容）

2. 如果不需要，直接返回最终答案（仅返回答案，无其他内容）

用户问题：{input}

""")

chain1=decision_prompt | llm | output_parser

# ==================== 3. 定义状态和节点函数（适配 langgraph 0.0.29） ====================

# 定义图的状态结构（简单字典，包含 input 和 output）

definitial_state():

return{"input": "", "output": ""}

# 决策节点函数（langgraph 0.0.29 要求节点函数接收 state 参数并返回新 state）

defdecision_node(state):

# 提取用户输入并调用决策链

user_input=state["input"]

result=chain1.invoke({"input": user_input})

# 更新状态

state["output"]=result

returnstate

# ==================== 4. 构建 StateGraph（langgraph 0.0.29 兼容） ====================

# 创建 StateGraph，指定状态类型为 dict

graph=StateGraph(dict)

# 添加节点和边

graph.add_node("decision", decision_node)# 添加决策节点

graph.add_edge(START,"decision")# 起始点 → 决策节点

graph.add_edge("decision", END)# 决策节点 → 结束点

# 编译图

runnable=graph.compile()

print(runnable.get_graph().draw_ascii())

# ==================== 6. 测试运行 ====================

if__name__=="__main__":

# 调用图（传入初始状态，包含用户输入）

input_state={

"input":"今天北京天气怎么样？",

"output": ""

}

result=runnable.invoke(input_state)

# 输出结果

print("\n===== 运行结果 =====")

print(f"用户输入：{result['input']}")

print(f"LLM 输出：{result['output']}")

结果输出：

+-----------+
| __start__ |
+-----------+
*
*
*
+----------+
| decision |