【LangGraph】langgraph.prebuilt 模块：封装了常见的代理逻辑、工具执行和状态管理功能

AI小编 · 发表于 9 小时前

作者：彬彬侠
langgraph.prebuilt 模块是 LangGraph 库的核心组成部分，提供了一系列预构建的组件和工具，旨在简化复杂 AI 代理和工作流的开发过程。LangGraph 是 LangChain 生态的扩展框架，专注于构建有状态、多步骤的 AI 系统，通过状态图（StateGraph）管理节点和边，支持动态路由、循环和状态管理。该模块通过封装常见的代理逻辑、工具执行和状态管理功能，显著降低了开发者的编码负担，适合快速原型化和生产级应用。

1. 模块背景与作用

1.1 LangGraph 概述

定义

功能

应用场景

检查点机制

1.2 模块作用

核心功能

设计目标：
地位：作为 LangGraph 的便捷入口，降低开发门槛，适合从初学者到高级开发者的广泛需求。

1.3 适用场景

快速原型

生产级应用

人类交互

复杂逻辑

2. 主要组件

langgraph.prebuilt 模块包含以下核心组件，基于上文和其他文档分析，分为函数、类和注解三大类：
2.1 函数

2.1.1 create_react_agent

类型

描述

参数：
返回：CompiledGraph，编译后的状态图，可通过 invoke 或 stream 调用。用途：快速构建支持推理和工具调用的代理，适合多轮对话或任务分解。
示例：
1. from langgraph.prebuilt import create_react_agent
2. from langchain_openai import ChatOpenAI
3. from langchain.tools import DuckDuckGoSearchRun
5. model = ChatOpenAI(model="gpt-4")
6. tools =[DuckDuckGoSearchRun()]
7. agent = create_react_agent(model, tools, prompt="你是一个有用的助手")
8. result = agent.invoke({"input":"搜索今日天气"})print(result)
复制代码

2.1.2 tools_condition

类型

描述

参数：
返回：Literal["tools", "__end__"]：
用途：用于状态图的条件边，动态决定是否执行工具。
示例：
1. from langgraph.prebuilt import tools_condition
2. from langgraph.graph import StateGraph, END
4. workflow = StateGraph(State)
5. workflow.add_node("agent", agent_function)
6. workflow.add_node("tools", tool_node)
7. workflow.add_conditional_edges("agent", tools_condition,{"tools":"tools","__end__": END})
复制代码

2.2 类

2.2.1 ToolNode

类型

描述

参数：
用途：在状态图中处理工具调用，适合自动化工作流和代理逻辑。
示例：
1. from langgraph.prebuilt import ToolNode
2. from langchain.tools import DuckDuckGoSearchRun
4. tool_node = ToolNode(tools=[DuckDuckGoSearchRun()])
复制代码

2.2.2 ValidationNode

类型

描述

参数：
用途：确保工具调用符合复杂模式，适合多轮对话中的数据完整性验证。
示例：
1. from langgraph.prebuilt import ValidationNode
2. from pydantic import BaseModel
4. classWeatherSchema(BaseModel):
5. city:str
7. validation_node = ValidationNode(schemas=[WeatherSchema])
复制代码

2.2.3 Human Interaction Components

HumanInterruptConfig：
- 属性：
  用途：定义人类干预的权限。
ActionRequest：
- 属性：
HumanInterrupt：
- 属性：
HumanResponse：
- 属性：
用途：支持人类在代理流程中的干预，如审批或编辑，增强控制和可靠性。

2.3 注解类

2.3.1 InjectedState

类型

描述

参数：
用途：工具访问状态（如对话历史），适合上下文相关操作。
示例：
1. from langgraph.prebuilt import InjectedState
2. from typing import Annotated
4. @tooldefstate_tool(input:str, state: Annotated[dict, InjectedState]):
5. user_id = state.get("user_id","default")returnf"User {user_id} processed: {input}"
复制代码

2.3.2 InjectedStore

类型

描述

参数：
用途：工具访问持久化存储（如用户数据），适合长时记忆。
示例：
1. from langgraph.prebuilt import InjectedStore
2. from typing import Annotated
4. @tooldefstore_tool(input:str, store: Annotated[Any, InjectedStore]):
5. data = store.get(("users",),"profile")returnf"Stored data: {data}"
复制代码
注意：需要 langchain-core >= 0.3.8。

3. 使用方法与示例

3.1 基本使用：创建 ReAct 代理

from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain.tools import DuckDuckGoSearchRun
# 初始化模型和工具
model = ChatOpenAI(model="gpt-3.5-turbo")
tools =[DuckDuckGoSearchRun()]# 创建代理
agent = create_react_agent(model, tools, prompt="你是一个有用的助手")# 运行代理
result = agent.invoke({"input":"搜索今日天气"})print(result["messages"][-1].content)

复制代码

解析

3.2 工具节点与条件路由

from typing import List, TypedDict
from langgraph.graph import StateGraph, END
from langgraph.prebuilt import ToolNode, tools_condition
from langchain_core.messages import BaseMessage, HumanMessage
from langchain_openai import ChatOpenAI
from langchain.tools import DuckDuckGoSearchRun
# 定义状态classState(TypedDict):
messages: List[BaseMessage]# 定义代理节点defagent(state: State)-> State:
model = ChatOpenAI(model="gpt-3.5-turbo").bind_tools(tools)
message = model.invoke(state["messages"])
state["messages"].append(message)return state
# 创建工具节点
tools =[DuckDuckGoSearchRun()]
tool_node = ToolNode(tools)# 构建状态图
workflow = StateGraph(State)
workflow.add_node("agent", agent)
workflow.add_node("tools", tool_node)
workflow.add_edge("tools","agent")
workflow.add_conditional_edges("agent", tools_condition,{"tools":"tools","__end__": END})
workflow.set_entry_point("agent")# 编译并运行
graph = workflow.compile()
result = graph.invoke({"messages":[HumanMessage(content="搜索今日天气")]})print(result["messages"][-1].content)

复制代码

解析

3.3 验证工具调用

from langgraph.prebuilt import ValidationNode
from pydantic import BaseModel, field_validator
from langgraph.graph import StateGraph, END
# 定义模式classNumberSchema(BaseModel):
value:int@field_validator("value")defvalidate_value(cls, v):if v <0:raise ValueError("值必须非负")return v
# 创建验证节点
validation_node = ValidationNode(schemas=[NumberSchema])# 构建状态图
workflow = StateGraph(list)
workflow.add_node("validation", validation_node)
workflow.set_entry_point("validation")
workflow.set_finish_point("validation")
graph = workflow.compile()# 测试验证
messages =[AIMessage(content="", tool_calls=[{"name":"NumberSchema","args":{"value":-1},"id":"1"}])]
result = graph.invoke(messages)print(result[-1].content)# 输出: 验证错误信息

复制代码

解析

3.4 状态注入

from typing import List
from langgraph.prebuilt import ToolNode, InjectedState
from langgraph.graph import StateGraph, END
from typing_extensions import TypedDict, Annotated
from langchain_core.tools import tool
from langchain_core.messages import BaseMessage
# 定义状态classState(TypedDict):
messages: List[BaseMessage]
user_id:str# 定义工具@tooldefstate_tool(input:str, state: Annotated[dict, InjectedState])->str:returnf"User {state['user_id']} processed: {input}"# 创建工具节点
tool_node = ToolNode(tools=[state_tool])# 构建状态图
workflow = StateGraph(State)
workflow.add_node("tools", tool_node)
workflow.set_entry_point("tools")
workflow.set_finish_point("tools")
graph = workflow.compile()# 运行
state ={"messages":[HumanMessage(content="test")],"user_id":"user1"}
result = graph.invoke(state)print(result["messages"][-1].content)# 输出: User user1 processed: test

复制代码

解析

3.5 人类交互

from langgraph.prebuilt.interrupt import HumanInterruptConfig, HumanInterrupt, ActionRequest
# 配置人类交互
config = HumanInterruptConfig(allow_respond=True, allow_edit=True)# 创建中断
interrupt = HumanInterrupt(
action_request=ActionRequest(action="respond", args={"response":"继续"}),
config=config,
description="需要人类确认")

复制代码

解析

4. 实现原理

4.1 代理逻辑

4.2 工具执行

4.3 验证与状态

4.4 人类交互

5. 适用场景与限制

5.1 适用场景

快速原型

工具驱动工作流

数据验证

上下文管理

人类交互

5.2 限制

版本依赖

功能局限

文档更新

复杂性

6. 对比其他方法

特性	langgraph.prebuilt	手动实现
开发速度	快，开箱即用	慢，需自定义逻辑
功能完整性	高，包含 ReAct、工具验证等	低，需手动实现
灵活性	中，适合标准场景	高，完全可定制
维护成本	低，依赖库更新	高，自定义代码需维护
适用场景	标准代理、工具调用	高度复杂工作流

选择建议：

标准场景

定制需求

7. 注意事项

版本兼容性：
调试技巧：
性能优化：
安全考虑：
模块导入：

8. 学习建议

基础知识：
文档：
实践：
社区：
调试：

9. 总结

langgraph.prebuilt 模块是 LangGraph 的核心模块，提供了 create_react_agent、ToolNode、tools_condition、ValidationNode、InjectedState 等预构建组件，简化了 ReAct 代理、工具执行和状态管理的开发。它通过封装常见逻辑，支持快速构建对话代理、自动化工作流和人类交互场景。模块设计注重易用性和灵活性，适合从原型到生产级的多种应用场景。通过示例和实践，开发者可以快速上手，构建高效、可控的 AI 系统。

参考资料：

原文地址：https://blog.csdn.net/u013172930/article/details/148098428

25位大厂高管转战生成式AI创业！吸金猛，不

【LangGraph】langgraph.prebuilt 模块：封装了常见的代理逻辑、工具执行和状态管理功能

浏览过的版块

LangChain入门2 RAG详解

关于我们

产品与服务

解决方案

产品与服务