跳到主要内容

完整项目创建流程

项目结构​

./langraph_chatbot/
├── graph.py              # 核心运行逻辑
├── requirements.txt      # 依赖管理
├── langgraph.json       # 配置文件
└── .env                 # 环境变量

Step 1: 创建项目文件夹​

创建 LangChain Agent 文件夹。

Step 2: 创建 requirements.txt​

langchain
langchain-deepseek
langchain-openai
langchain-tavily
python-dotenv
langsmith
pydantic
matplotlib
seaborn
pandas
IPython

Step 3: 注册 LangSmith（可选）​

  1. 访问 https://smith.langchain.com/ 注册
  2. 创建 API Key

Step 4: 创建 .env 文件​

# LLM API
DEEPSEEK_API_KEY=your_key
OPENAI_API_KEY=your_key

# LangSmith（可选）
LANGSMITH_TRACING=true
LANGSMITH_API_KEY=your_key

# 工具 API（如需要）
TAVILY_API_KEY=your_key
OPENWEATHER_API_KEY=your_key

Step 5: 创建 graph.py​

import os
from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek
from langchain.agents import create_agent
from langchain_tavily import TavilySearch

load_dotenv(override=True)

# 工具定义
search_tool = TavilySearch(max_results=5)

@tool
def get_weather(loc: str) -> str:
    """查询天气"""
    # API 调用逻辑
    pass

tools = [search_tool, get_weather]

# 创建模型
model = ChatDeepSeek(model="deepseek-chat")

# 创建图
graph = create_agent(
    model=model,
    tools=tools,
    system_prompt="你是一个智能助手"
)

注意：

  • 对象名必须为 graph
  • 不能加 checkpointer 参数

Step 6: 创建 langgraph.json​

{
  "dependencies": ["./"],
  "graphs": {
    "chatbot": "./graph.py:graph"
  },
  "env": ".env"
}

Step 7: 安装依赖并启动​

pip install -U "langgraph-cli[inmem]"
pip install -r requirements.txt
langgraph dev

启动后访问 LangGraph Studio 即可调试。