刘文柱

# LangGraph 与 LCEL 构建大型复杂应用导览

这一章主要掌握关于LangGraph的相关知识，涵盖了LCEL表达式缺陷、LangGraph组件初识、LangGraph高级特性、LLMOps聊天机器人应用流程拆分等内容。

# 01. LCEL表达式缺陷与LangGraph初识

掌握了解LCEL表达式创建的链应用以及传统Agent组件的缺陷，涵盖了不可循环、黑盒、不可控等特性。

了解图和状态机的概念，并掌握LangGraph制作的图架构应用如何解决与扩展LCEL表达式及传统Agent组件的缺陷。

掌握掌握LangGraph各个组件的作用及功能，涵盖了节点、边、检查点、状态、预构建组件等。

# 02. LangGraph进阶使用与项目构建

掌握LangGraph的高阶技巧，涵盖状态持久化、人机交互、状态更新与回退、审查、流式传输、异步、子图等。

掌握利用LangGraph构建复杂Agent的思路拆解，从零实现ReACT智能体、工具调用智能体、代码助手智能体等。

# 03. 源码解析与LLMOps应用流程更新

了解LangGraph源码中核心组件运行流程及解析，加深对LangGraph的使用与理解。

更新LLMOps项目AI聊天机器人应用的运行流程，涵盖了知识库、工具调用、审核、问题建议等内容，并设计基于该运行流程的图架构，便于后续开发。

# 最新版 LangChain 用法提示

  • 新版 LangChain 更推荐用 LCEL、Runnable、ChatModel.bind_tools()、结构化输出和 LangGraph 来组织复杂链路；老式 Chain、部分 AgentExecutor 写法可以读懂，但新项目应优先选择更清晰的图或 Runnable 编排。

  • 工具调用相关代码要区分两层：模型是否原生支持 tool/function calling，以及业务侧如何定义工具 schema、参数校验、错误兜底和观测日志。

  • 如果示例中的导入路径和你当前安装版本不同，优先查当前版本包内导出位置；常见迁移方向是从 langchain 拆到 langchain-core、langchain-community、langchain-openai、langgraph 等包。

# 拓展

  • 工具或插件不要只看能不能调通，更要看是否可观测、可限流、可重试、可审计。联网类工具还要处理超时、空结果、搜索噪声和结果时效性。

  • Agent 场景里，Prompt 只是调度策略的一部分；工具描述、参数 schema、历史状态、错误反馈、停止条件和人工介入点同样会影响最终稳定性。

# 常见问题

  • 为什么模型没有调用工具？常见原因是工具描述不清晰、参数 schema 过宽或过窄、用户问题不需要工具、模型本身不支持工具调用，或者工具绑定位置不对。

  • 为什么工具调用后回答仍然不准？先看工具返回是否正确，再看工具结果是否被放回模型上下文，最后检查输出解析、历史消息和异常兜底是否覆盖了真实错误。

# 面试题

  • 解释函数调用、工具调用和 Agent 的区别。

  • LangChain 中 tool schema 的作用是什么？为什么参数校验对生产环境很重要？

  • ReACT Agent 和 tool-calling Agent 的核心差异是什么？分别适合什么场景？

  • LangGraph 相比 LCEL 更适合解决哪些复杂编排问题？

# 生产问题排查

问题 常见原因 处理方式
工具没有被调用 工具描述弱、绑定失败、模型不支持 打印绑定后的模型配置，补充工具描述，换用支持工具调用的模型
参数格式错误 schema 设计不清晰，模型生成字段不稳定 使用 Pydantic/JSON Schema 校验，失败后把错误反馈给模型重试
联网结果不可用 搜索为空、接口超时、命中低质量页面 增加超时、重试、结果过滤、来源白名单和降级回答
Agent 循环不停止 缺少终止条件或工具返回被误判 设置最大迭代次数，记录每轮 thought/action/observation，增加停止规则
线上难以复现 缺少输入、工具请求和模型响应日志 给每次调用加 trace id，记录工具入参、出参、耗时和异常

← LCEL 链表达式的缺点与扩展 →