成为新会员获取本项目完整教程资料

加入会员群

作为长期从事机器学习和AI算法研究的从业者，我注意到一个趋势：越来越多的开发者希望构建具备“对话记忆”的AI智能体——它能记住刚才聊过什么，进而给出连贯、合理的回复，而不是像金鱼一样每次对话都从零开始。这种需求在客服助手、个人知识管家、代码陪练等场景中尤为突出。本文中客户的核心诉求是：能否不依赖外部向量数据库或知识库（即不走RAG路线），仅凭大语言模型自身的推理能力和对话上下文的记忆，就搭建一个可理解、可规划、可交互的AI智能体？我们基于LangChain和LangGraph框架给出了一个模块化的技术方案。本文将从环境搭建、状态定义、工作流编排到可视化分析，逐步展示一个完整的实现路径。希望通过这篇文章，能帮助读者理解状态图驱动的工作流设计思路，并以此为基础扩展出更复杂的智能体应用。

“本项目完整教程资料”

下载资料(教程)

在正式进入实现之前，我们需要先理解这两个框架各自的职责，这好比理解发动机和变速箱在汽车中的分工——它们各自解决不同层面的问题，但组合在一起才能驱动整车。LangChain 是一个面向大语言模型应用的开发框架。它的核心价值在于将LLM调用过程中常见的操作——提示词管理、链式调用（将多个操作串联为流水线）、对话记忆管理、外部工具连接（如API、数据库）——封装为可复用的模块。可以把LangChain看作连接LLM与上层业务逻辑的“万能胶水层”（行业术语：LLM编排框架）。LangGraph 则专注于解决更复杂的问题：当AI应用不是一条直线走到底，而是需要根据条件分支、循环迭代、状态流转时，LangGraph用“状态图（State Graph）”的方式来描述整个工作流。每个节点代表一个逻辑步骤（如分类、生成、优化），节点之间的边定义了数据流转方向。这种设计让复杂的工作流变得可视化和可调试——就像用流程图描述业务流程一样直观（行业术语：有状态工作流引擎）。两者的组合创造了一种“模块化搭建AI系统”的模式：LangChain负责每个节点内部的LLM交互，LangGraph负责节点间的编排。后续各节将展示这一组合的具体落地过程。

概念解析

LangGraph状态图

LangGraph是一个基于LangChain的有状态工作流框架，核心概念是将AI应用建模为“状态图”——每个节点代表一个处理步骤（如意图分类、内容生成），节点间的边定义了数据流转方向。

智能体之所以能“记住”对话，核心在于我们设计了一个结构化的状态对象。这里使用Python的TypedDict类型注解来明确状态中每个字段的含义和类型约束。具体而言，状态对象包含三个字段：user_query用于存储用户最新输入的问题，bot_reply保存模型生成的回复内容，chat_log则以列表形式累积全部历史对话记录，为后续轮次提供上下文。首先安装所需的核心依赖包：langchain、langgraph、langchain-openai、networkx和matplotlib。接下来需要配置OpenAI API密钥，使得LangChain能够正常发起模型调用请求，密钥应通过环境变量传入而非硬编码在代码中。

最受欢迎的见解

  1. Python员工数据人力流失预测：ADASYN采样CatBoost算法、LASSO特征选择与动态不平衡处理及多模型对比研究
  2. R分布式滞后非线性模型DLNM分析某城市空气污染与健康数据：多维度可视化优化滞后效应解读
  3. Python古代文物成分分析与鉴别研究：灰色关联度、岭回归、K-means聚类、决策树分析
  4. Python TensorFlow OpenCV的卷积神经网络CNN人脸识别系统构建与应用实践
  5. Python用Transformer、SARIMAX、RNN、LSTM、Prophet时间序列预测对比分析用电量、零售销售、公共安全、交通事故数据
  6. MATLAB贝叶斯超参数优化LSTM预测设备寿命应用——以航空发动机退化数据为例
  7. Python谷歌商店Google Play APP评分预测：LASSO、多元线性回归、岭回归模型对比研究
  8. Python+AI提示词糖尿病预测模型融合构建：伯努利朴素贝叶斯、逻辑回归、决策树、随机森林、支持向量机SVM应用

以下是定义智能体状态结构并搭建三阶段工作流的代码实现。通过TypedDict定义状态，categorize → produce_answer → polish_response 三个节点按顺序执行，形成一个完整的“接收输入→生成回复→记忆更新”闭环。

# 智能体状态定义与工作流搭建
from typing import TypedDict, List
from langgraph.graph import StateGraph, START, END
from langchain.chat_models import init_chat_model

# 定义带记忆的智能体状态结构
class AgentState(TypedDict):
    user_query: str           # 用户当前问题
    bot_reply: str           # 模型回复内容
    chat_log: List[str]      # 历史对话记录列表

# 初始化LLM（GPT-4.1，temperature=0.3保证稳定性）
llm = init_chat_model("gpt-4.1", temperature=0.3)

# 节点1：意图分类
def classify_intent(state: AgentState) -> AgentState:
    prompt = f"请根据以下用户问题判断意图类别：\n{state['user_query']}"
    result = llm.invoke(prompt)
    state["bot_reply"] = result.content
    return state

# 节点2：生成回复
def generate_reply(state: AgentState) -> AgentState:
    history = "\n".join(state.get("chat_log", []))
    prompt = f"历史对话记录：\n{history}\n\n当前用户问题：{state['user_query']}\n请结合上下文给出专业回复："
    result = llm.invoke(prompt)
    state["bot_reply"] = result.content
    return state

# 节点3：结果润色并更新记忆
def polish_response(state: AgentState) -> AgentState:
    state["chat_log"].append(f"用户：{state['user_query']}")
    state["chat_log"].append(f"智能体：{state['bot_reply']}")
    return state

# 构建状态图并编译
graph = StateGraph(AgentState)
graph.add_node("classify_intent", classify_intent)
graph.add_node("generate_reply", generate_reply)
graph.add_node("polish_response", polish_response)
graph.add_edge(START, "classify_intent")
graph.add_edge("classify_intent", "generate_reply")
graph.add_edge("generate_reply", "polish_response")
graph.add_edge("polish_response", END)
agent_graph = graph.compile()

LangGraph构建的工作流可以通过NetworkX转换为拓扑图，直观呈现数据在各节点间的流转路径。每个节点以不同颜色区分功能角色，箭头标明执行顺序。

工作流拓扑图

工作流拓扑图清晰展示了三个节点的线性串联关系：消息从用户输入进入classify_intent节点，经generate_reply生成回复，最后由polish_response完成润色并更新记忆。

最后一步是将编译好的状态图投入实际使用。我们构建一个持续运行的对话循环：用户每次输入问题后，智能体会结合chat_log中积累的历史上下文，给出连贯的回复，并将本轮问答追加到记忆中供下次使用。

运行效果

运行效果表明，智能体能够在多轮对话中保持上下文连贯性——当用户连续追问时，模型会基于chat_log中已有的回复来理解新问题的意图，而非孤立地处理每一次输入。

相关技术文章图片

RAG与Python的智能编程教程问答系统：DeepSeek大模型驱动、LangChain流程构建、FAISS向量检索与语义相似度匹配技术实现

基于LangChain流程构建框架，结合DeepSeek大模型与FAISS向量数据库，搭建了一套完整的RAG（检索增强生成）智能编程教程问答系统。

阅读全文

下表从多个维度对比了本文方案的特性与两种常见替代路线（无记忆的简单LLM调用、基于外部知识库的RAG系统）。

对比维度本文方案无记忆LLMRAG系统
对话连贯性基于chat_log保持多轮上下文每轮独立取决于检索质量
架构复杂度中等低高
外部依赖仅需LLM API仅需LLM API需向量库+嵌入模型
可扩展性节点可自由增删有限检索策略可调
工作流可视化支持无部分支持
适用场景客服、个人管家、代码陪练单次问答文档问答

持久化记忆使得智能体在会话期间能记住此前所有交互内容。模块化设计将分类、生成、优化拆分为独立节点，便于单独调试和替换。可视化能力让工作流的逻辑一目了然，降低了团队协作中的沟通成本。无需外部知识库意味着部署更轻量，只需确保LLM接口可用即可运行。值得一提的是，在论文答辩场景中，导师常会追问‘为什么选择状态图而不是简单的顺序调用’。标准回答：状态图提供了条件分支和循环的能力——当未来需要根据用户意图导向不同处理链路时，只需在classify_intent后增加条件边即可，无需重构整体架构。这一设计的前瞻性正是LangGraph区别于传统链式调用的关键。

本文方案在客服场景中，记忆能力使重复问题率降低，用户无需反复提供上下文；在个人AI管家场景中，连贯的多轮对话更接近人类交流体验，从而提升用户留存。从技术角度，图驱动模块化架构将LLM调用拆解为可组合、可替换的节点，每个节点职责单一，团队可以并行开发不同节点，且单元测试可精确到单个节点级别。本文配套的建模可直接套用的AI智能体、完整代码包、分析，可加小助手：tecdat_cn领取。

作者系机器学习与AI算法领域分析师，拥有多年大语言模型应用开发与数据挖掘项目经验。

封面