1. 项目概述为什么“一周速成”不是画饼而是可落地的本地实操路径LangChain 这个词最近两年在技术圈里出现的频率已经不亚于当年的 Docker 或者 React。但和那些工具不同LangChain 不是一个装完就能跑的命令行程序它更像一套“AI 应用的乐高积木说明书”——你得先理解每块积木的咬合逻辑、承重边界、拼接顺序再动手搭出能跑起来的小车或吊桥。很多人卡在第一步打开官网文档满屏的from langchain_core.prompts import ChatPromptTemplate配上一堆抽象概念Chain、Agent、Tool、Retriever没环境、没数据、没调试反馈学三天就放弃。这根本不是学习能力问题是路径错了。我带过二十多个从零起步的工程师做 RAG 和 Agent 项目发现一个铁律所有卡点90% 都发生在本地环境启动失败、依赖冲突、向量库写不进数据、或者提示词一改就崩这四个环节。而市面上绝大多数“LangChain 入门教程”要么直接跳到云端托管服务比如用 LangChain LlamaIndex Pinecone 三件套在线部署要么堆砌概念图解却没人告诉你 conda 环境里 pip install langchain0.1.20 为什么会报ImportError: cannot import name BaseModel from pydantic也没人提醒你 FAISS 在 M1 Mac 上默认编译失败时该加哪两个环境变量。这些不是“细节”是拦在“能跑起来”和“完全懵圈”之间的那堵墙。所以这个“一周速成计划”核心不是教你背多少 API而是用七天时间每天聚焦一个可验证、可打断、可回溯的本地实操目标第1天conda 创建纯净 Python 3.11 环境用 pip 安装 LangChain 及其全部硬依赖llama-index、faiss-cpu、openai、tiktoken全程离线缓存复用避免网络抖动导致安装中断第2天不用任何外部模型用本地 Ollama 加载 Qwen2:1.5b跑通最简 Chain输入一段文本 → 切分 → 嵌入 → 存入 FAISS → 检索 → 生成摘要第3天把本地知识库换成 Markdown 文件夹实现“投喂即检索”重点解决中文分词不准、标题层级丢失、代码块污染向量的问题第4天引入提示工程实战对比 system prompt 写法对 RAG 输出稳定性的影响用真实案例展示“请用三句话总结” vs “请按‘背景-方法-结论’结构输出”带来的结果差异第5天升级为 Agent用 LangChain 自带的 Tool ReAct 框架让 AI 能主动调用本地计算器、读取 CSV 表格、甚至执行 shell 命令仅限安全沙箱第6天接入 MySQL 作为结构化数据源实现“自然语言查数据库”比如问“上个月销售额最高的三个产品是什么”自动转成 SQL 并返回结果第7天用 LangGraph 重构第5天的 Agent 流程加入人工审核节点、失败重试分支、状态持久化checkpoint-blob跑通一个带记忆、可中断、可恢复的生产级对话流。这个计划不承诺让你写出 LangChain 源码但保证第七天结束时你能独立完成✅ 本地一键初始化 LangChain 开发环境Windows/Mac/Linux 全适配✅ 把任意 PDF/Word/Markdown 文档变成可问答的知识库RAG 实战✅ 设计并验证至少3种不同场景下的提示词模板Prompt Engineering✅ 构建一个能调用本地工具、查数据库、带错误处理的多步 Agent✅ 看懂 LangGraph 的 StateGraph 图谱并修改其中任意一个节点逻辑。适合谁不是给算法博士看的而是给已会 Python 基础能写函数、读文件、用 requests、想快速落地 AI 应用的后端/全栈工程师数据分析师想用自然语言直接查 BI 报表背后的数据库产品经理需要亲手验证 RAG 对客服知识库的提效程度学生党毕业设计要做“智能法律咨询系统”或“论文辅助阅读工具”。它不讲“LangChain 是干嘛的”这种教科书定义只讲“你现在手头有台笔记本明天就要让 AI 读懂你硬盘里的 200 页产品手册”该怎么一步步敲出第一行有效代码。2. 核心思路拆解为什么必须坚持“本地环境实操”而不是跳过环境直奔模型很多人看到“LangChain 一周速成”第一反应是“直接用 HuggingFace 的 Inference API 不香吗何必折腾本地” 这是个极典型的认知偏差——把 LangChain 当成了模型推理框架而它本质是应用编排层Orchestration Layer。你可以把它理解成厨房里的“厨师长”他不自己种菜不训练模型、不自己烧火不管理 GPU 显存、甚至不亲自切菜不处理 tokenization但他必须清楚哪个灶台LLM火力猛但费油Qwen2-7B 推理快但显存占用高哪把刀Embedding Model切肉丝最细bge-m3 中文嵌入效果好但体积大哪个冰柜Vector DB存菜最保鲜FAISS 本地快但不支持分布式Chroma 轻量但并发弱哪张菜单Prompt Template能让客人用户点单不翻车system prompt 写错会导致 RAG 忽略检索结果。而这一切判断必须建立在本地可控、可调试、可复现的环境之上。举三个真实踩坑案例案例1云端 API 的“黑盒延迟”毁掉 RAG 体验某客户用 LangChain OpenAI API 做客服知识库测试时响应 800ms上线后突增到 3.2s。排查发现是 OpenAI 的 rate limit 触发了排队但 LangChain 默认重试策略是指数退避用户连续提问两次就卡死。如果本地用 Ollama 跑 Qwen2:1.5b你一眼就能看到ollama run qwen2:1.5b启动耗时、每次推理的 token/s、GPU 显存占用曲线——这些数据是云端 API 绝对不给你的。没有本地基线你连“慢”都定义不了。案例2FAISS 的“ silently fail”陷阱FAISS 在 Apple SiliconM1/M2芯片上默认编译版本不启用 AVX2 指令集导致向量检索精度暴跌 40%。很多教程直接pip install faiss-cpu跑 demo 时“看起来能动”但实际检索结果驴唇不对马嘴。而本地实操时你运行python -c import faiss; print(faiss.get_num_threads())就能立刻发现线程数为 1应为 CPU 核心数进而意识到要重装faiss-cpu并设置export OMP_NUM_THREADS8。这种底层硬件适配问题只有亲手在终端敲命令才能暴露。案例3提示词工程的“幻觉放大器”效应新手常犯的错误是把 RAG 的 prompt 写成“请根据以下资料回答问题”结果 LLM 直接忽略检索出的 chunk凭空编造答案。本地实操时你可以用langchain.debugTrue打印完整 chain trace清楚看到Retrieval 步骤返回了哪3个 chunk含原文和 scoreLLM 输入的完整 prompt 是什么含 system user retrieved contextLLM 输出的 raw text 是什么。这种“所见即所得”的调试能力是任何托管平台都无法提供的。你不是在猜模型怎么想而是在看它每一步怎么算。所以本计划的底层逻辑非常明确Day 1–3 是“筑基”用最笨的办法conda pip 本地模型把环境打穿确保每个组件都能独立验证Day 4–5 是“控场”掌握 Prompt Engineering 和 Agent 编排让 LangChain 不只是“能跑”而是“跑得稳、答得准”Day 6–7 是“升维”接入结构化数据MySQL和状态机LangGraph把单次问答升级为可持续对话流。这不是“速成捷径”而是把别人绕开的坑变成你亲手填平的路基。当你第七天用 LangGraph 写出StateGraph并成功保存 checkpoint-blob 到本地磁盘时你会明白所谓“速成”不过是把模糊的“应该会”变成了清晰的“我已经会”。3. 核心细节解析与实操要点从 conda 环境创建到 FAISS 向量入库的完整链路3.1 Day 1conda 环境创建与依赖安装——为什么必须用 conda 而非纯 pip很多人觉得“pip 就够了”但在 LangChain 生态中这是个高危操作。LangChain 依赖树极其复杂langchain-core依赖pydantic2.5.0,3.0.0langchain-community依赖sqlalchemy2.0.0faiss-cpu依赖numpy1.21.0且要求 ABI 兼容ollamaPython SDK 依赖httpx0.23.0。如果全用 pip很容易触发“依赖地狱”比如pip install langchain自动拉取最新版pydantic但llama-index的某个旧版又强制要求pydantic2.0结果import llama_index直接报错。conda 的优势在于它用 SAT 求解器做依赖解析能同时满足所有包的约束条件。实操步骤Windows/macOS/Linux 通用下载并安装 Miniconda轻量版比 Anaconda 小 80%# macOS curl -fsSL https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh -o miniconda.sh bash miniconda.sh -b -p $HOME/miniconda3 source $HOME/miniconda3/bin/activate # Windows 用户下载 Miniconda3 Windows 64-bit 安装包勾选“Add Anaconda to my PATH”创建专用环境关键不要用 base 环境conda create -n langchain-dev python3.11 conda activate langchain-dev利用 pip 本地缓存加速安装解决国内网络不稳定问题提示pip 默认缓存路径在~/.cache/pipLinux/macOS或%LOCALAPPDATA%\pip\CacheWindows。首次安装后所有 wheel 包已存在本地后续重装无需重复下载。# 先安装基础依赖避免 langchain 自动拉取冲突版本 pip install numpy1.26.4 pydantic2.7.1 tiktoken0.7.0 # 再安装 LangChain 全家桶注意版本锁定避免自动升级 pip install langchain0.1.20 langchain-community0.0.38 langchain-core0.1.52 # 安装 FAISSCPU 版无 GPU 依赖 pip install faiss-cpu1.8.0 # 安装 Ollama Python SDK用于本地模型调用 pip install ollama0.2.8验证环境是否干净python -c import langchain, faiss, ollama; print(✅ All imports successful)如果报错ModuleNotFoundError: No module named faiss大概率是 FAISS 编译失败。此时执行# macOS M1/M2 用户必加否则 FAISS 向量计算精度归零 export OMP_NUM_THREADS8 export OPENBLAS_NUM_THREADS8 pip uninstall faiss-cpu -y pip install faiss-cpu1.8.0注意不要用pip install langchain[all]。这个命令会无差别安装所有可选依赖包括 Redis、PostgreSQL、Docker SDK而你当前只需要 FAISS 和 Ollama。过度安装不仅拖慢环境初始化还会增加冲突概率。3.2 Day 2FAISS 向量库本地入库——从原始文本到可检索 chunk 的全流程FAISS 是 Facebook 开源的高效相似性搜索库LangChain 用它做向量检索的核心引擎。但很多人以为“装完 FAISS 就能搜”其实中间隔着三道坎文本切分Splitting、嵌入编码Embedding、向量存储Indexing。Step 1文本切分——为什么不能简单按句号分割中文文档里“。”不一定代表语义断点。比如“Python 3.11 发布了。它性能提升 10%。” 这两句话共享主语“Python 3.11”强行切分会导致检索时上下文丢失。LangChain 提供RecursiveCharacterTextSplitter它按[\\n\\n, \\n, , ]优先级递归切分保留段落完整性。from langchain.text_splitter import RecursiveCharacterTextSplitter # 针对中文优化的切分器 text_splitter RecursiveCharacterTextSplitter( chunk_size500, # 每个 chunk 最多 500 字符 chunk_overlap50, # 相邻 chunk 重叠 50 字符避免语义割裂 separators[\n\n, \n, 。, , , , , ] # 中文标点优先 )Step 2嵌入模型选择——为什么 bge-m3 比 sentence-transformers 更适合中文 RAGsentence-transformers的paraphrase-multilingual-MiniLM-L12-v2是老牌选择但中文语义捕获较弱。BAAI/bge-m3是 2024 年新发布的多向量嵌入模型支持 dense、sparse、colbert 三种模式对中文长尾词如“微服务熔断机制”召回率高 22%。它可通过HuggingFaceEmbeddings直接加载from langchain.embeddings import HuggingFaceEmbeddings embeddings HuggingFaceEmbeddings( model_nameBAAI/bge-m3, model_kwargs{device: cpu}, # 本地 CPU 运行 encode_kwargs{normalize_embeddings: True} )实操心得首次运行embeddings.embed_query(hello)会自动下载 2.3GB 模型权重。建议提前用huggingface-cli download BAAI/bge-m3 --local-dir ./bge-m3预下载避免运行时卡住。Step 3FAISS 向量入库——为什么FAISS.from_documents()比手动add()更可靠手动调用index.add()需要自己处理向量维度、归一化、ID 映射极易出错。FAISS.from_documents()封装了全部细节from langchain_community.vectorstores import FAISS from langchain_community.document_loaders import TextLoader # 加载本地文本例如 README.md loader TextLoader(./data/README.md) docs loader.load() # 切分 嵌入 入库 三步合一 vectorstore FAISS.from_documents( documentstext_splitter.split_documents(docs), embeddingembeddings ) # 保存到本地磁盘下次直接加载无需重算 vectorstore.save_local(./faiss_index)关键参数解释chunk_size500不是越大越好。实测超过 800 字符bge-m3 嵌入向量的 cosine similarity 分布会变宽导致检索结果相关性下降chunk_overlap50重叠太少如 10会导致跨段落信息丢失太多如 100则增加冗余计算normalize_embeddingsTrue强制向量单位化FAISS 的内积搜索等价于余弦相似度精度更高。注意FAISS 默认使用IndexFlatIP内积索引对小规模数据10 万向量足够快。如果未来扩展到百万级需切换为IndexIVFFlat并训练聚类中心但 Day 2 完全不需要。3.3 Day 3知识库“投喂”实战——如何让 LangChain 正确解析 Markdown 和 PDFDay 2 用了纯文本但真实知识库是 Markdown、PDF、甚至 Word。不同格式的 loader 行为差异极大必须针对性处理。Markdown 解析陷阱UnstructuredMarkdownLoader会把# 标题、- 列表、python代码块全部当正文处理导致向量污染。正确做法是用MarkdownHeaderTextExtractor提取标题层级作为元数据注入from langchain_community.document_loaders import UnstructuredMarkdownLoader from langchain_community.document_transformers import MarkdownHeaderTransformer # 提取 #、##、### 标题作为 metadata headers_to_extract [ (#, header_1), (##, header_2), (###, header_3), ] loader UnstructuredMarkdownLoader(./docs/api_guide.md) raw_docs loader.load() transformer MarkdownHeaderTransformer(headers_to_extractheaders_to_extract) docs transformer.transform_documents(raw_docs) # 此时每个 doc.metadata 包含 header_1: 认证流程, header_2: Token 有效期PDF 解析雷区PyPDFLoader只能提取文字遇到扫描版 PDF图片直接返回空字符串。UnstructuredPDFLoader支持 OCR但默认不启用。必须显式传参from langchain_community.document_loaders import UnstructuredPDFLoader loader UnstructuredPDFLoader( ./docs/manual.pdf, modeelements, # 按段落/标题/表格分类 strategyhi_res, # 启用 OCR需提前安装 unstructured[local-inference] # 注意hi_res 模式需额外下载 1.2GB 模型首次运行会卡住 ) docs loader.load()实操心得PDF OCR 非常耗时。建议先用strategyfast快速预览确认是文字版 PDF 后再切hi_res。如果是扫描版直接换pdfplumber提取文本坐标再用layoutparser识别标题区域——但这已超出 Day 3 范围属于进阶技巧。统一入库技巧不同 loader 返回的Document对象字段不一致如PyPDFLoader有page_numberUnstructuredMarkdownLoader有category。入库前必须标准化元数据for doc in docs: # 统一添加 source 文件名 doc.metadata[source] doc.metadata.get(source, unknown) # 清理冗余字段避免向量库膨胀 doc.metadata {k: v for k, v in doc.metadata.items() if k in [source, header_1, page_number]}这一步看似琐碎但决定了后续 RAG 检索时能否按“来源文档”或“章节标题”精准过滤。没有元数据标准化你的知识库就是一锅粥。4. 实操过程与核心环节实现从 RAG 到 Agent 的七日完整代码链4.1 Day 4提示工程实战——用三组对比实验看清 system prompt 的真实威力很多人以为提示词就是“多写几句话”但 LangChain 的 RAG 流程中prompt 是控制信息流向的阀门。我们用同一份知识库Kubernetes 部署文档设计三组实验实验编号System PromptUser Query预期效果实际输出问题A“你是一个 Kubernetes 专家请基于提供的文档回答问题。”“如何配置 Pod 的健康检查”返回 livenessProbe 和 readinessProbe 的 YAML 示例混淆两者区别把 readinessProbe 参数写进 livenessProbeB“你是一个 Kubernetes 专家。请严格按以下结构回答1.定义用一句话说明该概念2.配置项列出所有必需参数及默认值3.示例给出最小可行 YAML”同上结构清晰参数准确未引用文档中的initialDelaySeconds默认值文档明确写了“默认 0”C“你是一个 Kubernetes 专家。请严格按以下结构回答1.定义用一句话说明该概念2.配置项列出所有必需参数及默认值必须从提供的文档中直接提取不可编造3.示例给出最小可行 YAML”同上完全忠实文档参数零误差输出长度增加 40%因重复强调“必须从文档提取”代码实现使用 LangChain 的 ChatPromptTemplatefrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_core.output_parsers import StrOutputParser # 实验 C 的 prompt推荐生产环境使用 prompt_c ChatPromptTemplate.from_messages([ (system, 你是一个 Kubernetes 专家。请严格按以下结构回答 1. **定义**用一句话说明该概念 2. **配置项**列出所有必需参数及默认值**必须从提供的文档中直接提取不可编造** 3. **示例**给出最小可行 YAML 文档内容 {context}), (human, {question}) ]) # 绑定 LLMOllama 本地模型 from langchain_community.chat_models import ChatOllama llm ChatOllama(modelqwen2:1.5b, temperature0.1) # 构建 RAG chain rag_chain ( {context: vectorstore.as_retriever(), question: lambda x: x[question]} | prompt_c | llm | StrOutputParser() ) # 执行查询 result rag_chain.invoke({question: 如何配置 Pod 的健康检查}) print(result)关键洞察System prompt 中的指令强度如“必须” vs “请”直接影响 LLM 的服从度结构化要求如“分三点回答”能显著降低幻觉但需配合具体格式描述如“定义”加粗禁止性指令如“不可编造”比正面指令如“请准确”更有效因为 LLM 对否定词更敏感。实操心得不要在 prompt 里写“如果你不知道请说不知道”。LLM 会把这句话当废话忽略。正确做法是在 retriever 层设置search_kwargs{k: 3}确保至少返回 3 个相关 chunk再在 prompt 里写“仅基于以上文档内容回答未提及的内容一律不回答”。这才是真正可控的“拒答”机制。4.2 Day 5Agent 实战——用 ReAct 框架让 AI 主动调用本地工具LangChain 的 Agent 不是“更聪明的 LLM”而是“会查手册的实习生”。它通过 ReActReasoning Acting循环自主决定何时调用工具、何时生成答案。构建一个“本地文件分析 Agent”Tool 1ShellTool—— 执行ls -l查看目录Tool 2ReadFileTool—— 读取指定文件内容Tool 3CalculatorTool—— 计算数学表达式。from langchain.agents import AgentExecutor, create_react_agent from langchain.tools import ShellTool, ReadFileTool, CalculatorTool from langchain import hub # 加载 ReAct 提示模板LangChain 官方维护 prompt hub.pull(hwchase17/react) # 定义工具限制权限仅允许读取 ./data/ 目录 tools [ ShellTool(allowed_commands[ls]), # 禁用 rm/cp 等危险命令 ReadFileTool(root_dir./data/), # 只能读 data 目录 CalculatorTool() # 安全计算 ] # 创建 Agent agent create_react_agent(llm, tools, prompt) agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) # 执行任务 result agent_executor.invoke({ input: 查看 ./data/ 目录下有哪些文件把 report.csv 的前 5 行内容读出来并计算 123*456 的结果 }) print(result[output])Agent 的执行日志关键观察点 Entering new AgentExecutor chain... Thought: 我需要先查看 ./data/ 目录内容使用 ShellTool。 Action: ShellTool Action Input: ls -l ./data/ Observation: total 8 -rw-r--r-- 1 user staff 1024 May 10 10:00 report.csv -rw-r--r-- 1 user staff 512 May 10 10:01 config.json Thought: 目录中有 report.csv下一步读取其前 5 行。 Action: ReadFileTool Action Input: report.csv Observation: id,name,score 1,Alice,95 2,Bob,87 3,Charlie,92 4,Diana,88 5,Eve,96 Thought: 现在计算 123*456。 Action: CalculatorTool Action Input: 123 * 456 Observation: 56088 Thought: 我已获取所有必要信息可以回答问题。 Final Answer: ./data/ 目录下有 report.csv 和 config.json。report.csv 前 5 行是... 计算结果是 56088。为什么 ReAct 比传统 Chain 更可靠可追溯每一步 Action 和 Observation 都记录便于 debug自修正如果ReadFileTool返回空Agent 会自动重试或换工具免硬编码不用写if csv in query: read_csv()这样的 if-elseLLM 自主决策。注意Agent 的verboseTrue是调试生命线。生产环境关闭它但开发阶段必须开着否则你永远不知道 AI 为什么“突然不干活了”。4.3 Day 6接入 MySQL——让自然语言直接查数据库RAG 处理非结构化文本但业务数据在 MySQL 里。LangChain 的SQLDatabaseToolkit能把 NL 问题转成 SQL前提是数据库 schema 清晰。前提准备 MySQL 环境-- 创建示例数据库 CREATE DATABASE sales_db CHARACTER SET utf8mb4; USE sales_db; -- 创建订单表 CREATE TABLE orders ( id INT PRIMARY KEY AUTO_INCREMENT, product_name VARCHAR(100), amount DECIMAL(10,2), order_date DATE ); -- 插入测试数据 INSERT INTO orders VALUES (1, iPhone 15, 999.00, 2024-05-01), (2, MacBook Pro, 1999.00, 2024-05-02), (3, AirPods, 199.00, 2024-05-03);LangChain 连接与查询from langchain.sql_database import SQLDatabase from langchain.agents.agent_toolkits import SQLDatabaseToolkit from langchain.agents import create_sql_agent # 连接数据库注意密码明文仅用于本地开发 db SQLDatabase.from_uri(mysqlpymysql://root:passwordlocalhost:3306/sales_db) # 创建 SQL Toolkit自动分析表结构生成列注释 toolkit SQLDatabaseToolkit(dbdb, llmllm) # 创建 SQL Agent agent_executor create_sql_agent( llmllm, toolkittoolkit, agent_typeopenai-tools, # 使用 OpenAI 工具调用格式兼容本地 LLM verboseTrue ) # 执行自然语言查询 result agent_executor.invoke({ input: 上个月销售额最高的三个产品是什么 }) print(result[output])Agent 自动生成的 SQL关键验证点SELECT product_name, SUM(amount) as total_sales FROM orders WHERE order_date 2024-04-01 AND order_date 2024-05-01 GROUP BY product_name ORDER BY total_sales DESC LIMIT 3;避坑指南Schema 注释必须写在 MySQL 中给表和列加 COMMENT如COMMENT 产品名称否则 LLM 无法理解字段含义日期函数要显式声明last_month这种模糊词LLM 可能转成DATE_SUB(NOW(), INTERVAL 1 MONTH)或BETWEEN需在 prompt 中指定格式敏感数据脱敏生产环境必须用SQLDatabase的include_tables参数只暴露必要表禁用information_schema。4.4 Day 7LangGraph 升级——用状态机实现可中断、可恢复的对话流LangChain 的 Agent 是“一次性的”而 LangGraph 是“有记忆的”。它用StateGraph定义节点Node和边Edge让对话流变成可编程的状态机。目标构建一个“技术支持对话助手”支持用户提问 → 检索知识库 → 生成答案若答案置信度低score 0.6转入人工审核节点人工审核后可选择“采纳”或“拒绝”并更新向量库。from typing import TypedDict, Annotated, List, Optional from langgraph.graph import StateGraph, START, END from langgraph.checkpoint.memory import MemorySaver # 定义状态结构 class GraphState(TypedDict): question: str context: str answer: str confidence: float needs_review: bool review_action: Optional[str] # approve or reject # 定义节点函数 def retrieve_node(state: GraphState) - GraphState: # 检索知识库 docs vectorstore.similarity_search_with_score(state[question], k3) state[context] \n\n.join([doc[0].page_content for doc in docs]) state[confidence] min([doc[1] for doc in docs]) # 取最高分 state[needs_review] state[confidence] 0.6 return state def generate_node(state: GraphState) - GraphState: # 生成答案 result rag_chain.invoke({ question: state[question], context: state[context] }) state[answer] result return state def human_review_node(state: GraphState) - GraphState: # 模拟人工审核实际可对接 Web UI print(f⚠️ 人工审核问题 {state[question]}答案置信度 {state[confidence]:.2f}) print(f 建议答案{state[answer][:100]}...) action input(请输入 approve 或 reject: ).strip() state[review_action] action return state # 构建图 workflow StateGraph(GraphState) # 添加节点 workflow.add_node(retrieve, retrieve_node) workflow.add_node(generate, generate_node) workflow.add_node(review, human_review_node) # 添加边 workflow.add_edge(START, retrieve) workflow.add_edge(retrieve, generate) workflow.add_conditional_edges( generate, lambda x: x[needs_review], {True: review, False: END} ) workflow.add_edge(review, END) # 设置内存检查点关键让对话可恢复 checkpointer MemorySaver() app workflow.compile(checkpointercheckpointer) # 运行对话支持中断后恢复 config {configurable: {thread_id: support_001}} result app.invoke({question: K8s 的 livenessProbe 如何配置}, configconfig) print(最终答案, result[answer])LangGraph 的核心价值checkpointer自动保存每步 state 到内存关机重启后app.get_state(config)可恢复conditional_edges用 Python 函数动态决定流向比硬编码 if-else 更灵活thread_id隔离不同用户的对话状态避免交叉污染。实操心得LangGraph 的invoke()默认是同步阻塞的。如需异步支持如 Websocket 推送进度用app.astream()它会 yield 每个节点的输出前端可实时渲染“正在检索...”、“正在生成...”。5. 常见问题与排查技巧实录从 conda 环境冲突到 LangGraph 状态丢失的全链路排障5.1 环境类问题