LangGraph quickstart¶
本指南向您展示如何設定和使用 LangGraph 的預先建置、可重複使用的元件，這些元件旨在幫助您快速可靠地建立代理系統。
Prerequisites¶
在開始本教學之前，請確保您已具備以下條件：
- OpenAI API 金鑰
1. Install dependencies¶
如果尚未安裝，請安裝 LangGraph 和 LangChain：
2. Create an agent¶
若要建立 agent，請使用 create_react_agent：
from langgraph.prebuilt import create_react_agent
def get_weather(city: str) -> str:
"""Get weather for a given city."""
return f"It's always sunny in {city}!"
agent = create_react_agent(
model="openai:gtp-4.1-mini",
tools=[get_weather],
prompt="You are a helpful assistant"
)
# Run the agent
agent.invoke(
{"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)
3. Configure an LLM¶
若要使用特定參數（例如溫度）配置 LLM，請使用 init_chat_model：
from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent
def get_weather(city: str) -> str:
"""Get weather for a given city."""
return f"It's always sunny in {city}!"
model = init_chat_model(
"openai:gtp-4.1-mini",
temperature=0
)
agent = create_react_agent(
model=model,
tools=[get_weather],
)
# Run the agent
agent.invoke(
{"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)
有關如何配置 LLM 的更多信息，請參閱模型。
4. Add a custom prompt¶
提示會指示 LLM 如何執行操作。請新增以下類型的提示之一：
- Static：字串會被解釋為
system message。 - Dynamic：根據輸入或配置在
runtime產生的 message list。
定義固定的提示字串或訊息清單：
from langgraph.prebuilt import create_react_agent
agent = create_react_agent(
model="openai:gtp-4.1-mini",
tools=[get_weather],
# A static prompt that never changes
prompt="Never answer questions about the weather."
)
agent.invoke(
{"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)
定義一個根據代理程式的狀態和配置傳回訊息清單的函數：
from langchain_core.messages import AnyMessage
from langchain_core.runnables import RunnableConfig
from langgraph.prebuilt.chat_agent_executor import AgentState
from langgraph.prebuilt import create_react_agent
#定義一個根據代理程式的狀態和配置傳回訊息清單的函數
def prompt(state: AgentState, config: RunnableConfig) -> list[AnyMessage]:
user_name = config["configurable"].get("user_name")
system_msg = f"You are a helpful assistant. Address the user as {user_name}."
return [{"role": "system", "content": system_msg}] + state["messages"]
agent = create_react_agent(
model="openai:gtp-4.1-mini",
tools=[get_weather],
prompt=prompt
)
# Run the agent
agent.invoke(
{"messages": [{"role": "user", "content": "what is the weather in sf"}]},
config={"configurable": {"user_name": "Erhwen Kuo"}}
)
有關詳細信息，請參閱 Context。
5. Add memory¶
若要允許與 agent 程式進行多輪對話，您需要在建立代理程式時提供 checkpointer 來啟用持久性。在運行時，您需要提供一個包含 thread_id 的配置 — conversation（session）的唯一識別碼：
from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import InMemorySaver
checkpointer = InMemorySaver()
agent = create_react_agent(
model="openai:gpt-4.1-mini",
tools=[get_weather],
checkpointer=checkpointer
)
# Run the agent
config = {"configurable": {"thread_id": "1"}} # session 的唯一識別碼
sf_response = agent.invoke(
{"messages": [{"role": "user", "content": "what is the weather in sf"}]},
config
)
ny_response = agent.invoke(
{"messages": [{"role": "user", "content": "what about new york?"}]},
config
)
啟用 checkpointer 後，它會將代理程式每一步的狀態儲存在提供的檢查點資料庫中（如果使用 InMemorySaver，則儲存在記憶體中）。
Info
請注意，在上面的範例中，當使用相同的 thread_id 第二次呼叫代理程式時，會自動包含第一次對話的原始訊息歷史記錄以及新的使用者輸入。
6. Configure structured output¶
若要產生符合特定 schema 的結構化回應，請使用 request_format 參數。此模式可以使用 Pydantic 模型或 TypedDict 定義。結果可透過structured_response 欄位存取。
from pydantic import BaseModel
from langgraph.prebuilt import create_react_agent
class WeatherResponse(BaseModel):
conditions: str
agent = create_react_agent(
model="openai:gpt-4.1-mini",
tools=[get_weather],
response_format=WeatherResponse
)
response = agent.invoke(
{"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)
response["structured_response"]