LangChain1.0-Agent-部署/上线(开发人员必备)

发布时间：2026-02-05 23:58:57编辑：123阅读（262）

LangChain Agent开发必备工具套件

在对LangChain 1.0有了一定的基础了解之后，对于开发者来说，还需要进一步了解和掌握LangChain Agent必备的开发者套件。分别是LangChain Agent运行监控框架LangSmith、底层LangGraph图结构可视化与调式框架LangGraph Studio和LangGraph服务部署工具LangGraph Cli。

可以说这些开发工具套件，是真正推动LangGraph的企业级应用开发效率大幅提升的关键。同时监控、调试和部署工具，也是全新一代企业级Agent开发框架的必备工具，也是开发者必须要掌握的基础工具。




LangGraph运行监控框架：LangSmith 

官网地址：https://docs.langchain.com/langsmith/home

LangSmith 是一款用于构建、调试、可视化和评估LLM工作流的全生命周期开发平台。它聚焦的不是模型训练，而是我们在构建AI应用（尤其是多工具Agent、LangChain/Graph）时的可视化调试、性能评估与运维监控。




LangGraph图结构可视化与调试框架：LangGraph Studio 

官网地址:https://docs.langchain.com/langsmith/studio#langsmith-studio

LangGraph Studio是一个用于可视化构建、测试、分享和部署智能体流程图的图形化IDE+运行平台。




LangGraph服务部署工具：LangGraph Cli

官网地址：https://docs.langchain.com/langsmith/cli#langgraph-cli （需要代理环境）

LangGraph Cli是用于本地启动、调试、测试和托管LangGraph智能体图的开发者命令行工具。




LangGraph Agent前端可视化工具：Agent Chat UI

官网地址：https://docs.langchain.com/oss/javascript/langchain/ui#agent-chat-ui

Agent Chat UI是LangGraph/LangChain 官方提供的多智能体前端对话面板，用于与后端Agent（Graph或Chain）进行实时

交互，支持上传文件、多工具协同、结构化输出、多轮对话、调试标注等功能。








借助LangGraph Cli创建完整智能体项目：

LangGraph Studio：桌面版应用和本地运行（适用于所有操作系统）；

LangServer：最终构建出来的服务，提供Assiatant API接口；

Python/JS SDK：通过接口可以直接和LangServer提供的各个API接口连接；

Remote Graph：类似于之前LangServer的用法，可以直接用Graph的接口去调用，这样拿到的Graph就是一个Runable对

象，可以去调用它的invoke,batch等。

LangGraph Studio是专为LangGraph图式代理打造的本地/云端IDE，具备可视化节点和状态及实时调试功能。

接下来使用LangGraph Cli来创建一个完整的LangGraph Agent项目，并在此过程中使用LangGraph Chat Agent UI进行前端

对话，以及使用LangGraph Studio进行架构实时演示，并使用LangSmith进行运行效果监督。





LangGraph智能体项目流程：

1 创建一个LangChain Agent项目主文件夹

这里创建一个LangChain-Chatbot文件夹






2 创建requirements.txt文件

在LangChain-Chatbot文件夹中，新建一个requirements.txt，里面需要填写在运行该项目时需要安装的依赖项：






3 注册LangSmith


对于企业级的Agent项目，为了更好的监控智能体实时运行情况，可以考虑借助LangSmith进行追踪（会将智能体运行情况

实时上传到LangGraph官网进行展示)

LangSmith登录页面:https://smith.langchain.com/ 创建API_key



在构建程序跟踪前，首先需要创建一个API密钥，该密钥将允许我们的项目开始向Langsmith发送跟踪数据。创建完密钥后，在

后续配置环境变量设置开启追踪、并输入密钥即可接入LangSmith.




4 创建.env配置文件

在LangChain-Chatbot文件夹中，新建一个.env文件，将敏感信息(如API密钥)放在环境变量中而不是硬编码。






5 创建agent.py核心文件

在LangChain-Chatbot文件夹中，新建一个agent.py文件，在该文件中编写构建图的具体运行逻辑，如状态、节点、边、图的

编译等。此外，在使用LangGraph CLI创建智能体项目时，会自动设置记忆相关内容，并进行持久化记忆存储，无需手动设置

代码:

from langchain_ollama import ChatOllama
from langchain.agents import create_agent
from langchain_core.tools import tool
from pydantic import BaseModel,Field
import requests
import time
from lxml import etree

class Weather(BaseModel):
    city:str = Field(description="城市地名")

class SearchBing(BaseModel):
    keyword:str = Field(description='搜索关键词')

@tool(args_schema=SearchBing)
def search_bing(keyword):
    """
    搜索内容函数
    :param keyword: 必要参数，字符串类型。用于表示搜索的具体关键词
    :return: 返回搜索出来的结果，dict类型
    """
    url = f'https://www.bing.com/search?q={keyword}'
    # //li[@class='b_algo']/div[@class='b_caption']/p
    headers = {
        "sec-ch-ua": '"Not(A:Brand";v="8", "Chromium";v="144", "Google Chrome";v="144"',
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, 
        like Gecko)
         Chrome/144.0.0.0 Safari/537.36"
    }
    response = requests.get(url=url, headers=headers, timeout=10)
    html = etree.HTML(response.text)
    res = html.xpath("//li[@class='b_algo']/div[@class='b_caption']/p/text()")
    ret = {}
    for num, value in enumerate(res):
        ret.setdefault(num, value)
    print(f"搜索关键词:{keyword}, 搜索结果：{ret}")
    return ret


@tool(args_schema=Weather)
def get_weather(city):
    """
    查询即时天气函数
    :param city: 必要参数，字符串类型。用于表示查询天气的具体城市名称
    :return: 返回即时天气的结果，dict类型
    """
    today_time = time.strftime("%Y-%m-%d",time.localtime())
    url = f'https://www.ks121.com/history/?location={city}&startdate={today_time}&enddate={today_time}'
    headers = {
        "sec-ch-ua": '"Not(A:Brand";v="8", "Chromium";v="144", "Google Chrome";v="144"',
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, 
        like Gecko)
         Chrome/144.0.0.0 Safari/537.36"
    }
    response = requests.get(url=url, headers=headers, timeout=10)
    html = etree.HTML(response.text)
    res = html.xpath("//div[@class='box']/div[2]/div[1]/div/table/tbody/tr")
    ret = {}
    for i in res:
        one = i.xpath("./td[1]/p[2]/text()")[0]
        two = i.xpath("./td[2]/p[2]/span/text()")[0]
        three = i.xpath("./td[3]/p/text()")[0]
        four = i.xpath("./td[4]/p/text()")[0]
        ret.setdefault('日期', one)
        ret.setdefault('气象', two)
        ret.setdefault('温度', three)
        ret.setdefault('风级', four)
    print(f"{today_time}:{city}天气信息:{ret}")
    return ret

# model = ChatDeepSeek(model='deepseek-chat')
model = ChatOllama(
    model="qwen3:8b",
    temperature=0,
    top_p=0.95,
)
prompt = """
你是一名乐于助人的智能助手，擅长根据用户的问题选择合适的工具来查询信息并回答。

当用户的问题涉及**天气信息**时，提取用户问题中的城市，调用‘get_weather’工具，查询指定城市的实时天气，并在
回答中总结查询结果。

当用户的问题涉及**新闻、事件、实时动态**时，输入需要搜索的文本,调用'search_bing'工具，检索相关的最新信息，并
在回答中简要概述。

如果问题既包含天气又包含新闻，先使用‘get_weather’查询天气，在使用'search_bing'查询新闻，最后将结果合并后
回复用户。

所有回答使用**简体中文**，条理清晰、简洁友好。
"""
tools = [search_bing, get_weather]

# 创建图
agent = create_agent(model=model, tools=tools, system_prompt=prompt)
res = agent.invoke({"messages":[{"role":"user", "content":"今天北京，上海的天气，AI最新新闻"}]})
print(res['messages'][-1].content)




6 创建langgraph.json文件

在LangChain-Chatbot文件夹中，新建一个langgraph.json文件，在该json文件中配置项目信息，遵循规范如下所示：

必须包含dependencies和graphs字段

graphs字段格式："图名"："文件路径:变量名"

配置文件必须放在于Python文件同级或更高级的目录

项目文件的名称必须为langgraph.json,如下所示：

{

  "dependencies": ["./"],

  "graphs": {

    "chatbot": "./agent.py:agent"

  },

  "env": ".env"

}

其中：


dependencies:["./"]  -- 告诉langgraph在当前目录查找依赖项（会自动读取requirements.txt）

chatbot:"./graph.py:graph" -- 定义图名为chatbot，来自graph.py文件中的graph变量


env:".env"-- 指定环境变量文件位置






进入到langgraph-chatbot文件夹，安装相关基础依赖

D:\langchain-chatbot>pip install -r requirements.txt 




7 安装langgraph-cli以及其他依赖，执行如下代码

pip install -U "langgraph-cli[inmem]"




在终端执行LangGraph dev启动项目-后端程序

langgraph dev



启动项目后可以看到最开始有三个访问的url地址

- 🚀 API: http://127.0.0.1:2024

- 🎨 Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024

- 📚 API Docs: http://127.0.0.1:2024/docs

第一个连接是当前部署完成后的服务端口

第二个是LangGraph Studio的可视化页面

第三个端口是端口说明




程序会自动跳转到LangSmith的url地址，没有自动跳转的话，可以手动复制url地址访问

Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024

可以看到Agent架构：






LangChain Agent部署后调用流程

后端服务接口调用API文档



这些暴露的接口和调用方法，接下来就可以用于进行进一步开发和测试。





LangGraph Studio

可以点击Studio UI中显示的链接，在浏览器中打开并访问Studio,并且可以在页面中进行Agent测试。






LangSmith : https://smith.langchain.com/

如果此前设置了追踪，此时就能在LangSmith中看到当前项目运行情况,相当于运维工具.






LangChain Agent后端接入Agent Chat UI前端完整流程

github项目主页：https://github.com/langchain-ai/agent-chat-ui

克隆项目: 

D:\langchain-chatbot>git clone https://github.com/langchain-ai/agent-chat-ui

Cloning into 'agent-chat-ui'...

remote: Enumerating objects: 2399, done.

remote: Total 2399 (delta 0), reused 0 (delta 0), pack-reused 2399 (from 1)

Receiving objects: 100% (2399/2399), 947.30 KiB | 1.74 MiB/s, done.

Resolving deltas: 100% (1410/1410), done.

cd agent-chat-ui


D:\langchain-chatbot>cd agent-chat-ui




安装npm

node.js官网：https://nodejs.org

根据系统版本下载对应的包并安装nodejs：node-v24.13.0-x64.msi

npm install -g pnpm

pnpm -v

D:\langchain-chatbot\agent-chat-ui>pnpm install






开启Chat Agent UI

pnpm dev



访问Network地址：http://192.168.5.149:3000/




点击continue

前端对话页面

关键字：