尹珉

緣起
在我的上一本書《LangChain 實戰：從原型到生產，動手打造LLM 應用》與讀者見面後，我非常欣喜地看到LangChain 生態在國內開發者社群中蓬勃發展。許多讀者透過這本書快速上手LangChain，並開始建構自己的大型語言模型應用。時隔一年，大型語言模型（LLM）技術日新月異，我們正站在一個激動人心的新起點——AI 代理人元年的前夜。

正如業界專家預測，2025 年極有可能成為AI 代理人技術爆發的關鍵節點。AI代理人，即具備自主決策和行動能力的代理人，被認為是充分釋放LLM 潛力的核心方向。而支撐AI 代理人應用落地的關鍵，正是像LangGraph 這樣成熟、強大的開發框架。

回顧一年前，LangGraph 的技術發展尚處於早期階段，而如今，LangChain、LangGraph 和LangSmith 構成的生態體系已經日臻完善，展現出能開發企業級應用的實力，並湧現出眾多成功的落地案例。儘管LangGraph 官方提供了豐富的資料和課程，但這些內容基本上以英文為主，且資訊較為分散，對於希望快速切入Agent 應用開發的國內開發者而言，存在一定的學習門檻。

值得一提的是，雖然LangGraph 與LangChain 同屬於LangChain 生態系統，但LangGraph 本身是一個可以獨立使用的框架。即使讀者沒有LangChain 的使用經驗，也可以從本書開始學習LangGraph，並掌握AI 代理人應用的開發技能。

因此，我決定撰寫第二本書——《LangGraph 實戰：建構新一代AI 代理人系統》。我們深知，優秀的框架版本總在不斷演進。為此，本書的重點並非簡單羅列某一版本的功能，而是旨在深入剖析LangGraph 的底層架構與設計哲學。我們將以更符合中國開發者習慣的方式，幫助讀者掌握建構代理人的核心思想與工程範式——這些知識的生命力遠超任何特定版本。我希望本書能夠幫助讀者深入理解AI 代理人理念，並快速掌握LangGraph 的使用，從而在這個充滿機遇的AI 代理人時代搶佔先機。

從HTML5 時代的程式碼初探，到雲端原生時代的深入實踐，再到通用人工智慧（AGI）時代的積極擁抱，15 年的技術生涯，我始終秉持著「理論結合實踐」的學習理念。每一次技術浪潮都帶來新的挑戰和機遇，而AI 代理人技術無疑是AGI 時代最耀眼的浪花之一。

如果說LangChain 降低了LLM 應用開發的門檻，讓開發者能夠快速建構各種基於大型模型的應用，那麼LangGraph 則更進一步，專注解決建構複雜、具備自主決策能力的AI 代理人應用的難題。在探索LangGraph 的過程中，我們將深刻感受到它在工作流程編排、狀態管理、AI 代理人協同等方面的強大能力。它不僅是一個框架，更是建構未來AI 代理人應用的基石。

為了將我們對LangGraph 的理解和實務經驗分享給更多開發者，我再次與兩位優秀的LangChain 社群夥伴——曹士圯、尹珉攜手合作，共同創作本書。我們希望以本書為載體，為讀者建構一條全面、深入的學習路徑，不僅涵蓋LangGraph 的核心概念和功能，更著眼於AI 代理人應用的開發方法論和最佳實務。

透過本書，我們希望能夠激發大家對AI 代理人技術的興趣，並為大家提供一個系統、實用的LangGraph 學習指南。我們相信，無論是希望提升技能的AI 開發者，還是尋求業務創新的企業技術團隊，都能從本書中獲得寶貴的知識和靈感，進而在AI 代理人應用開發領域取得突破。

緣起
在我的上一本書《LangChain 實戰：從原型到生產，動手打造LLM 應用》與讀者見面後，我非常欣喜地看到LangChain 生態在國內開發者社群中蓬勃發展。許多讀者透過這本書快速上手LangChain，並開始建構自己的大型語言模型應用。時隔一年，大型語言模型（LLM）技術日新月異，我們正站在一個激動人心的新起點——AI 代理人元年的前夜。

正如業界專家預測，2025 年極有可能成為AI 代理人技術爆發的關鍵節點。AI代理人，即具備自主決策和行動能力的代理人，被認為是充分釋放LLM 潛力的核心方向。而支撐AI 代理人應用落地的關鍵，正是像La...

▍第一章 AI 代理人的原理和機制
1.1 AI 代理人的概念
1.1.1 AI 代理人的核心能力
1.1.2 AI 代理人的主要運作機制
1.1.3 AI 代理人與傳統 AI 系統的主要區別
1.2 ReAct 設計模式
1.2.1 ReAct 的機制：迭代執行迴圈
1.2.2 ReAct 提示詞的構成
1.2.3 ReAct 衍生設計模式
1.3 AI 代理人開發的技術與挑戰
1.3.1 AI 代理人的目前技術發展現況
1.3.2 AI 代理人開發的障礙
1.3.3 代理人框架的必要性：LangGraph 與前進之路
思考題

▍第二章 LangGraph 框架概覽
2.1 LangGraph 簡介
2.1.1 節點
2.1.2 邊
2.1.3 狀態
2.2 LangGraph 與 LangChain 的關係
2.3 基於 LangGraph 實作 ReAct 設計模式
思考題

▍第三章 LamgGraph 的狀態圖結構
3.1 核心原語
3.1.1 狀態
3.1.2 節點
3.1.3 邊
3.1.4 指令　
3.2 流程控制：分支與並行
3.2.1 平行分支：扇出與扇入
3.2.2 併發而非平行
3.2.3 遞迴限制與並行分支
3.3 MapReduce 模式：任務分解與平行處理
3.3.1 MapReduce 模式的核心思想
3.3.2 LangGraph 中的 MapReduce 實作
3.3.3 MapReduce 的應用場景
3.3.4 MapReduce 的核心 API：Send 函式
3.4 子圖機制：模組化與複用設計
3.4.1 子圖的概念與優勢
3.4.2 在 LangGraph 中定義和使用子圖
3.5 工具呼叫：擴展代理人的能力邊界
3.5.1 ToolNode：LangGraph 的工具呼叫中心
3.5.2 定義工具：使用 @tool 裝飾器
3.5.3 手動呼叫 ToolNode
3.5.4 在 LangGraph 圖中使用 ToolNode
3.5.5 處理工具呼叫錯誤
3.5.6 從工具中更新圖狀態
3.5.7 向工具傳遞執行時參數
3.6 圖的視覺化
3.6.1 Mermaid 語法
3.6.2 PNG 圖片
3.6.3 X-Ray 子圖視覺化
思考題

▍第四章AI 代理人的互動體驗
4.1 串流處理
4.1.1 串流處理模式
4.1.2 組合串流處理模式
4.1.3 LangGraph 串流處理的底層原理
4.2 持久化
4.2.1 執行緒和存檔點的概念
4.2.2 存檔點器的實作
4.2.3 持久化的實際應用
4.3 人機迴路協作
4.3.1 靜態中斷點：定義固定的人工干預點
4.3.2 人機迴路的核心設計模式：基於操作的干預
4.3.3 interrupt() 函式的技術細節
4.3.4 人機協作是建構信任和控制的關鍵
思考題

▍第五章 AI 代理人的記憶系統
5.1 短期記憶與長期記憶
5.1.1 短期記憶：維持對話的連貫性
5.1.2 長期記憶：實現跨會話
5.2 記憶儲存
5.2.1 記憶儲存的基本操作
5.2.2 透過語意搜尋增強記憶檢索
5.2.3 建構自訂記憶儲存
5.3 記憶系統的實際應用
5.3.1 個人化推薦
5.3.2 多步驟的情境化任務
5.3.3 TrustCall：資訊擷取和記憶更新
5.4 LangMem
5.4.1 LangMem 的核心元件
5.4.2 LangMem 應用實例
5.4.3 LangMem 關鍵函式解析
5.5 記憶體系統設計的重要考量
思考題

▍第六章LangGraph 的核心 API
6.1 create_react_agent
6.1.1 create_react_agent 的核心功能和參數
6.1.2 自訂選項
6.1.3 create_react_agent 的應用
6.2 Functional API
6.2.1 Functional API 的優勢
6.2.2 核心元件：@entrypoint 和 @task
6.2.3 使用 Functional API 建構和執行工作流程
6.2.4 與 LangChain 和 LangSmith 整合
6.2.5 常見工作流程模式
6.2.6 常見陷阱
6.2.7 Functional API 與 Graph API 的比較
6.3 API 的選擇
6.3.1 LangGraph API 選擇決策樹
6.3.2 API 選擇的案例分析
思考題

▍第七章　AI 代理人系統的架構設計與模式應用
7.1 常見工作流程
7.1.1 工作流程的基礎建構模組：增強型 LLM
7.1.2 提示鏈
7.1.3 路由
7.1.4 平行化
7.1.5 協調器—工作者
7.1.6 評估器—最佳化器
7.2 多代理人架構
7.2.1 主管架構
7.2.2 分層架構
7.2.3 網路架構
7.3 情境感知代理人架構
7.3.1 架構模式
7.3.2 人機迴路互動設計
7.3.3 用 LangGraph 實作情境感知代理人架構
思考題

▍第八章LangGraph 平台介紹
8.1 LangGraph 平台的架構與核心概念
8.1.1 核心元件設計
8.1.2 核心概念
8.1.3 部署選項
8.2 LangGraph 平台的應用程式部署
8.2.1 LangGraph 應用程式格式定義
8.2.2 部署到 LangGraph Cloud SaaS 平台
8.2.3 自託管 LangGraph 部署
8.2.4 自訂 Docker 部署
8.2.5 本地測試 LangGraph 應用程式
8.2.6 LangGraph Studio
8.2.7 向 LangGraph 部署中新增語義搜尋
8.2.8 執行時期重建圖
8.3 Agent Protocol
8.3.1 標準化的需求和核心元件
8.3.2 API 細節
8.3.3 助理與助理 API
8.3.4 資料格式和可擴充性
8.3.5 助手、執行緒和執行的應用範例
8.4 LangGraph 平台的進階功能
8.4.1 可觀測性與除錯
8.4.2 人機迴路
8.4.3 並行和雙重文本策略
8.5 存取控制
8.5.1 身分驗證和授權
8.5.2 實施自訂身分驗證
8.5.3 實施自訂授權
8.5.4 常見訪問者模式的實作
8.5.5 串接自訂身分驗證
8.6 RemoteGraph 和 React Hook
8.6.1 使用 RemoteGraph 與已部署的圖進行互動
8.6.2 使用 React Hook 建構互動式前端
思考題

▍第九章 LangGraph 應用開發範本
9.1 LangGraph 範本簡介
9.1.1 範本中常見的目錄結構和程式碼風格
9.1.2 使用 LangGraph 範本
9.2 新專案範本
9.3 ReAct 智慧代理人範本
9.4 充實資料代理人範本
9.5 記憶代理人範本
9.6 RAG 範本
9.7 RAG 研究代理人範本
思考題

▍第十章LangGraph 官方應用案例淺析
10.1 開放畫布
10.1.1 主要功能和架構概覽
10.1.2 控制流程與代理人工作流程模式
10.1.3 核心程式碼結構及其實作
10.2 報告大師
10.2.1 主體功能和架構概覽
10.2.2 工作流程
10.2.3 核心程式碼結構及其實作
10.3 Agent Inbox
10.3.1 功能和架構概覽
10.3.2 控制流與環境代理人架構
10.3.3 核心程式碼結構及其實作
思考題

▍第十一章 AI 代理人技術展望
11.1 多代理人開發框架的選擇
11.1.1 框架特性介紹
11.1.2 框架選型分析
11.2 代理人發展趨勢及展望
11.2.1 基礎模型進步推動 AI 代理人成熟
11.2.2 開發工具鏈加速代理人落地
11.2.3 代理人應用的巨大潛力

▍第一章 AI 代理人的原理和機制
1.1 AI 代理人的概念
1.1.1 AI 代理人的核心能力
1.1.2 AI 代理人的主要運作機制
1.1.3 AI 代理人與傳統 AI 系統的主要區別
1.2 ReAct 設計模式
1.2.1 ReAct 的機制：迭代執行迴圈
1.2.2 ReAct 提示詞的構成
1.2.3 ReAct 衍生設計模式
1.3 AI 代理人開發的技術與挑戰
1.3.1 AI 代理人的目前技術發展現況
1.3.2 AI 代理人開發的障礙
1.3.3 代理人框架的必要性：LangGraph 與前進之路
思考題

▍第二章 LangGraph 框架概覽
2.1 LangGraph 簡介
2.1.1 節點
2.1.2 邊
2.1.3 狀...