langchain-ai/langgraph-101

解决的问题

构建能够可靠处理现实世界任务的 LLM 智能体很困难，因为你通常需要对其行为进行细粒度控制。本仓库旨在教开发者如何使用 LangChain、LangGraph 和 Deep Agents 构建此类智能体。LangGraph 提供了一个框架，用于在智能体工作流中增加精确性和控制，而 Deep Agents 增加了内置工具、上下文管理和技能，用于复杂的多步骤任务。教程展示了如何从简单智能体过渡到带有人类监督和多智能体协作的生产级系统。

工作原理

项目分为两个学习轨道。101 轨道涵盖基础知识：使用模型、工具、记忆和流式传输构建第一个智能体，然后探索中间件、人在回路模式和护栏。201 轨道更深入地探讨生产模式：有状态的电子邮件分类智能体、带有监督者和专门子智能体的多智能体系统、带有并行子研究员的深度研究智能体，以及从头构建的 Deep Agents，包括 AGENTS.md、技能、后端、长期记忆和人在回路交互。除了笔记本，仓库还包括独立的智能体实现（天气、电子邮件、音乐商店、研究员、深度智能体），可以通过 langgraph dev 和 LangGraph Studio 在本地运行。所有模型都在 utils/models.py 中集中配置，支持 OpenAI、Azure OpenAI、AWS Bedrock 和 Google Vertex AI。

适用人群

这面向希望以结构化、动手方式学习构建 LLM 智能体的开发者。对于对 LangChain 生态系统（包括 LangGraph 和 Deep Agents）感兴趣的人尤其有用。该材料是 LangChain Academy 的浓缩版，设计用于与 LangChain 工程师一起的会话中运行，但如果你熟悉设置 Python 环境和 API 密钥，也适合自学。

亮点

• 两条清晰的学习路径：101 用于基础知识，201 用于生产模式
• 动手笔记本，使用现代原语（如 create_agent() 和 create_deep_agent()）逐步构建智能体
• 可以在 LangGraph Studio 中运行的独立智能体示例：天气、电子邮件分类、多智能体音乐商店、深度研究员和 DeepAgents 研究智能体
• 涵盖高级主题：中间件、人在回路、多智能体监督、长期记忆、技能和并行子智能体
• 单一配置支持多个 LLM 提供商（OpenAI、Azure、Bedrock、Vertex AI），便于切换
• 使用 langgraph dev 进行本地开发，支持热重载和可视化调试器