前 言
背景
随着大语言模型技术的成熟，AI智能体已从概念走向实用，成为革新应用场景的核心力量，但开发者常面临框架适配难、设计模式模糊、多智能体协作落地受阻等问题。LangGraph 1.0作为轻量灵活的智能体开发框架，为解决这些痛点提供了新路径，却缺乏体系化的实战指引。同时，企业对主智能体驱动、共享空间协作等多智能体架构的需求激增，亟需兼具技术深度与落地性的参考资料。因此，本书以LangGraph 1.0为核心，紧扣开发者从入门到实战的需求，梳理智能体开发全流程，覆盖开发环境配置、核心组件及9种智能体设计模式，结合真实业务案例，助力开发者快速掌握多智能技术，并能快速适配实际业务场景。
写作目的
本书的写作目的在于为AI智能体开发者提供系统性的实战指引，破解其入门方向迷茫、框架使用生疏以及多智能体落地困难等问题。本书以LangGraph 1.0为核心，按“基础－进阶－实战”的路径，清晰拆解环境配置、组件应用、设计模式等关键知识，结合Qwen3调用、多智能体协作等实操内容，助力开发者快速掌握技术，并通过真实案例将理论转换为落地能力，满足企业对多智能体开发的实际需求。
本书特点
（1）结合大模型与LangGraph框架：本书深入探讨大语言模型到AI智能体的演进逻辑、智能体核心能力及技术支柱，解析LangGraph 1.0作为独立并行执行引擎的技术底座价值，为读者筑牢智能体开发的背景知识。
（2）技能体系系统全面：本书按“基础－进阶－实战”的路径，覆盖Agent开发环境配置、Qwen3模型调用、LangGraph组件使用、多条件分支构建等流程，详解9种智能体设计模式，提供从基础搭建到多智能体协作的完整开发指引。
（3）示例与实战案例丰富：本书包含丰富的落地案例，既有反应式室内清扫智能体这类技术验证场景，也有新能源车文案设计、共享空间、主智能体驱动多智能体等业务实战，融入tavily搜索、Embedding编码等工具使用，覆盖单智能体、多智能体的开发场景。
（4）简明易懂，快速上手：本书采用通俗易懂的文字表达，配套详细的环境安装步骤、代码实现逻辑分析及章节小结，结合工具调用范式、输出格式等具象化内容，搭配仿真演示说明，助力不同层次的开发者快速上手。
（5）理论与实践相结合：本书既阐释LangGraph状态管理、上下文工程等理论知识，又通过“技术解析+案例落地”的方式，让读者掌握智能体设计模式在实际业务中的应用技巧，实现理论认知到开发能力的转换。
本书配套资源
本书配套示例源码、PPT课件、配图PDF文件、读者交流微信群，读者需要使用自己的微信扫描右侧的二维码获取。
本书适合的读者
?LangGraph初学者：本书以LangGraph 1.0为核心，按“基础?进阶?实战”的路径，清晰拆解环境配置、组件应用、设计模式等关键知识，助力初学者掌握LangGraph开发智能体的 方法。
?AI Agent开发初学者：本书从Python环境配置、Qwen3模型使用等基础操作入手，逐步覆盖LangGraph组件应用、简单智能体构建，手把手讲解开发全流程，帮助零基础读者快速入门智能体开发。
?AI Agent智能体开发人员：本书深度解析LangGraph 1.0的状态管理、节点并行化等核心技术，详解9种智能体设计模式及多智能体协作逻辑，助力开发人员提升技术深度与工程落地能力。
?大模型应用开发人员：本书以“环境配置?基础模型调用?基础工具集成?基础项目实战”为脉络，融入Qwen3 API调用、tavily搜索工具的使用等内容，帮助其构建完整的智能体开发架构，拓展技术边界。
?智能体行业解决方案提供商：本书包含新能源车文案设计、共享空间驱动等多场景实战案例，解析Swarm、Supervisor等多智能体模式，为电商、空间服务等领域的解决方案设计提供参考。
?学习AI大模型相关课程的学生：本书兼顾智能体基础理论与LangGraph前沿技术，配套丰富的示例与项目案例，支撑“理论?实践?项目”教学闭环，可作为高校AI Agent开发课程的实用教材。
作者与鸣谢
本书作者王晓华为高校计算机专业教师，担负数据挖掘、人工智能、数据结构等多项本科及研究生课程，研究方向为云计算、大数据与人工智能，在研和参研多项科研项目。
本书的顺利出版离不开清华大学出版社的夏毓彦老师和其他编辑的帮助，在此表示感谢。
作 者
2026年1月
目 录
第 1 章 初识智能体1
1.1 从大语言模型到智能体1
1.1.1 智能体的诞生1
1.1.2 智能体的核心能力与技术支柱3
1.2 智能体革新日常应用5
1.2.1 智能体重塑应用5
1.2.2 智能体构建过程11
1.3 LangGraph 1.0开发框架全面解析13
1.3.1 LangGraph新技术底座13
1.3.2 LangGraph让Agent开发更快、更灵活14
1.4 本章小结16
第 2 章 Agent环境安装与大模型配置18
2.1 Python环境的安装与配置18
2.1.1 Miniconda的下载与安装18
2.1.2 PyTorch的下载与安装21
2.1.3 PyCharm的安装与使用24
2.2 网页端Qwen3的使用27
2.2.1 网页端Qwen3的注册与基本使用27
2.2.2 不同提示（Prompt）对回答的影响28
2.3 Qwen3在线API的使用30
2.3.1 在线Qwen3注册与基本使用30
2.3.2 不同API调用Qwen3的示例31
2.4 Hello Agent实战35
2.4.1 通过API调用Qwen335
2.4.2 基于LangGraph构建Agent36
2.5 本章小结40
第 3 章 LangGraph编程基础41
3.1 LangGraph与工作流搭建41
3.1.1 LangGraph基础介绍42
3.1.2 LangGraph组件44
3.1.3 LangGraph中的State46
3.1.4 LangGraph中的Node47
3.1.5 LangGraph中的Edges49
3.2 LangGraph中的基本输入及工具调用范式51
3.2.1 LangGraph中的提示词51
3.2.2 LangGraph中的工具定义与调用52
3.2.3 基于LangGraph实现的工具使用智能体56
3.3 LangGraph中的Map与Reduce58
3.3.1 LangGraph中的Map58
3.3.2 LangGraph中的Reduce59
3.3.3 各司其职的Map与Reduce61
3.3.4 State中的辅助参数BaseModel、Annotated与Literal详解61
3.4 LangGraph中的输出范式63
3.4.1 LangGraph中的格式化输出1：StrOutputParser64
3.4.2 LangGraph中的格式化输出2：JSON格式65
3.4.3 LangGraph中的格式化输出3：可控的JSON格式66
3.5 智能体设计模式1：反应式智能体与自动导航案例69
3.5.1 初识反应式智能体69
3.5.2 反应式室内清扫智能体设计72
3.5.3 反应式室内清扫智能体的实现73
3.5.4 仿真场景下的清扫智能体可视化演示79
3.6 本章小结89
第 4 章 构建图的多条件分支90
4.1 多场景条件分支90
4.1.1 多条件分支实战90
4.1.2 LangGraph的流式输出92
4.1.3 Command命令完成节点内部的跳转94
4.2 LangGraph节点的并行化处理97
4.2.1 LangGraph中的并行化实战97
4.2.2 并行化实战中Reduce的妙用100
4.3 本章小结101
第 5 章 智能体设计模式2：React103
5.1 ToolNode详解与重新包装104
5.1.1 ToolNode详解104
5.1.2 ToolNode中的工具调用106
5.2 React设计范式112
5.2.1 初识React与实现112
5.2.2 基于大模型的React详解119
5.3 替代React的预构建create_agent模块详解123
5.3.1 create_agent的基础使用123
5.3.2 使用create_agent构建React124
5.4 create_agent的结构化输出与输入126
5.4.1 create_agent中的结构化输出格式126
5.4.2 create_agent中的输入重构130
5.5 create_agent中间件middleware详解131
5.5.1 中间件的使用131
5.5.2 中间件装饰器详解133
5.5.3 使用中间件装饰器动态重构输入格式136
5.6 本章小结139
第 6 章 智能体设计模式3：记忆系统140
6.1 LangGraph中的记忆存储141
6.1.1 基于内存的短期记忆141
6.1.2 基于硬存储的长期记忆存储144
6.2 LangGraph中的长期记忆载入与整理149
6.2.1 基于硬存储的长期记忆预载入1：拼接提示词150
6.2.2 基于硬存储的长期记忆预载入2：before_agent中间件的使用153
6.2.3 基于硬存储的长期记忆预载入3：before_model与检索整理158
6.2.4 before_agent与before_model的使用差异166
6.3 本章小结166
第 7 章 智能体设计模式4：规划与执行167
7.1 网络搜索工具tavily详解167
7.1.1 tavily搜索引擎注册168
7.1.2 tavily使用详解169
7.2 结合tavily搜索的智能体实战173
7.2.1 基于create_agent的多工具调用实战173
7.2.2 完整搭建的LangGraph多工具调用智能体179
7.3 LangGraph中TypedDict与BaseModel的共通与嵌套189
7.3.1 LangGraph中TypedDict与BaseModel的共通点189
7.3.2 LangGraph的状态空间进阶：多类型数据嵌套192
7.4 基于智能体规划的成长指导196
7.4.1 目标抽象：从“经验驱动”到“目标驱动”196
7.4.2 步骤明确：从“模糊愿景”到“清晰蓝图”199
7.4.3 执行落地：从“静态逻辑”到“动态闭环”203
7.5 本章小结205
第 8 章 智能体设计模式5：上下文工程206
8.1 上下文工程中的提示词207
8.1.1 提示词模板PromptTemplate207
8.1.2 提示词设计规范210
8.1.3 带有人格描述的提示词模板214
8.2 上下文污染与上下文卸载227
8.2.1 上下文污染228
8.2.2 上下文卸载231
8.3 本章小结237
第 9 章 多智能体实战238
9.1 初识多智能体238
9.1.1 单智能体与多智能体239
9.1.2 多智能体的应用场景240
9.2 多智能体基础设计模式实战240
9.2.1 多智能体设计模式1：流式241
9.2.2 多智能体设计模式2：反思246
9.3 本章小结250
第 10 章 案例实战：结合长短期目标的新能源车文案设计251
10.1 文案设计的基础知识点251
10.1.1 基于业务要求的背景和历史文案收集251
10.1.2 Embedding编码与历史文本查找253
10.1.3 文案目标定义与生成259
10.2 文案设计的智能体实战266
10.2.1 文案生成中不同角色的定义与抽象266
10.2.2 角色的动态生成函数267
10.2.3 结合长短期目标的新能源车文案271
10.2.4 多智能体设计模式8：Swarm272
10.3 本章小结273
第 11 章 案例实战：共享空间驱动的多智能体274
11.1 多智能体的共享空间驱动274
11.2 多智能体的共享空间驱动实战275
11.2.1 基于共享空间驱动的多智能体实战275
11.2.2 管控全局的共享空间详解278
11.3 本章小结279
第 12 章 案例实战：主智能体驱动的多智能体280
12.1 多智能体角色的定义与实现280
12.1.1 主状态空间的定义281
12.1.2 多智能体“专家”角色设定281
12.1.3 多智能体“主管”角色设定283
12.2 多智能体设计模式9：Supervisor284
12.2.1 角色构建与路由分析285
12.2.2 Supervisor模式的多智能体实战286
12.3 本章小结289
新书资讯
