用大模型 API 写过程序的人，多半停在同一个阶段：一次调用、一段提示词，要模型一口气给出完整结果。想再往前一步——让它自己上网查资料、检查自己的产出、在动真格的操作前停下来等人点头——就得把这些零件拼成一个能循环、能记账、能中断的系统，而这恰恰是各路文档最不讲清楚的部分。Deeplearning.AI 的免费短课《AI Agents in LangGraph》把这条路从头到尾走了一遍：全长 1 小时 52 分，吴恩达（Andrew Ng）主持，LangChain 联合创始人兼 CEO Harrison Chase 与 Tavily 联合创始人兼 CEO Rotem Alaluf 主讲，大量篇幅在现场写代码。

先交代体例：本文是这门课的转述与拆解，配图全部来自课程录像画面，不是编者的实践复盘；两处转写走样（合作方 Tavily 的名字、手写 ReAct 起步代码的作者名）已按画面与公开出处订正。两小时的内容被整理成能直接拿走的东西：5 个设计模式、一张两节点的最小图、3 种人在环模式、1 个完整的写作图系统，外加课程点名但没来得及动手搭的 5 种进阶架构。

01 为什么「一口气写完」必输

课程开场先立论：让模型迭代多轮完成任务，普遍好过让它一次写完全部。吴恩达给的类比是写文章——一次性写法等于不许按退格键，从第一个字写到最后一个字；迭代式写法是先列提纲、缺资料就去联网检索、写完草稿回头批评自己、再按批评意见修改。他补了一句大实话：真让一个人不许回退地从开头写到结尾，连他自己也写不好。

两个延伸值得记。其一，几个人合写一篇论文本来就是这种流程：一人规划拟大纲，一人负责检索整理资料，一人写初稿，写完互相提意见，决定是补检索还是调整内容——把每个角色换成一段提示词加一个语言模型，就是这门课后面要搭的东西。其二，智能体工作流已经在反哺模型训练：让模型带着反思、花更多算力生成的高质量数据，可以拿去训练下一代模型，让下一代用更少的算力达到相近效果；直接生成文本连着自训多代效果并不理想，中间插入工作流产出的数据才有价值。

吴恩达还讲了自己的「智能体时刻」：在斯坦福做现场演示，让 AI 先做网页搜索再写一篇文章，搜索 API 当场调用失败，眼看要翻车，他自己也忘了还给智能体配过维基百科检索这个备选——智能体自己切换到维基百科，取回资料，把文章写完，演示没有中断。他的判断是，未来几个月到几年，很多人会经历自己的智能体时刻：软件能自主完成一串复杂动作，真正替人把事做完。

02 5 个设计模式：先诊断缺哪块，再挑零件

课程把智能体工作流拆成五个设计模式，这也是全文的骨架，表格可以直接搬走：

课程同时提醒一句：这五样里只有一部分能力长在模型身上（比如供工具调用用的函数调用能力），更多的能力由模型外面的框架实现——这正是 LangChain 和 LangGraph 的位置。

03 手写 ReAct：不靠框架，看清一个 Agent 的全部家当

课程写第一行 LangGraph 代码之前，先做了一件更值钱的事：只用 OpenAI 的接口加少量 Python，从零手写一个最小的 ReAct 智能体（ReAct 即 Reasoning 加 Acting，推理加行动）。目的不是造轮子，而是看清哪些职责归模型、哪些归围绕模型的代码。课程把这圈代码叫运行时（runtime）。

它的家当分三层。模型层：初始化 OpenAI 客户端，用 GPT-4，temperature（采样温度）设为零，换取高度确定的输出。提示词层：系统提示词要求模型按「Thought（描述思路）→ Action（调用某个工具）→ Pause（本轮动作已发出）→ Observation（工具结果回传）」循环，做完再输出 Answer；提示词里还带一条完整的示例轨迹，课程强调这段示例对模型学会玩法非常关键。工具层只给两个玩具：calculate，把传入的字符串直接当表达式求值；average dog weight，一个预设了苏格兰梗、边境牧羊犬、玩具贵宾犬体重的模拟查询。起步代码取自 Simon Willison 那篇手写入门博客。

先手动跑一遍找感觉。问「一只玩具贵宾犬有多重」，模型回一段思考加动作加暂停，指示调用 average dog weight；执行后把观察结果格式化进下一轮提示再问，模型给出答案：7 磅。再上强度，问「一只边境牧羊犬加一只苏格兰梗，合计多重」。模型的计划相当合理——先分别查两种犬的体重，再相加。它先查边境牧羊犬，拿到 37 磅；再查苏格兰梗，拿到 20 磅；最后调用 calculate 算 37 加 20，输出 57 磅。验证方式也现成：智能体内部的消息数组留了全痕，系统提示、问题、动作指示、观察、最终回答，一条不缺。

手动跑通后装进循环：query 函数接收问题和一个 max turns 上限，每轮用正则表达式从模型响应里解析动作——解析得到动作就查字典执行，动作不在已知字典里则抛异常，把观察结果拼成下一轮提示；解析不到动作，说明模型给了最终答案，返回并结束。课程的原话是，到这里你拥有了一个具备工具调用能力的智能体，而它只用了原始模型接口和一点 Python。

04 LangChain 的零件铺：提示词模板和 Hub

第二遍搭同一个智能体，改用框架。LangChain 先贡献两样零件。提示词模板（Prompt Template）本质是带格式化变量的字符串，幻灯片上的示例模板串是「Tell me a {adjective} joke about {content}」，同一份模板按用户输入格式化出不同提示；接着的代码直接从 Hub 拉了 hwchase17/react 这份现成的 ReAct 模板。Hub 模板的关键设计与手写版一致：不把工具硬编码进提示词，工具和工具名用变量占位，另传入用户问题和 agent scratchpad（草稿区，记录智能体已做过的全部动作与观察），换工具不用改模板。

Hub 是社区共享提示词的地方，课程截图时点光 Agents 一个分类就有 318 份模板，文档问答 187 份、摘要 147 份。工具这边，langchain_community 包里装着数百个现成工具，课上演示导入的就是 Tavily 搜索——这也是贯穿全课的搜索工具。

05 LangGraph 三件套：把最难写的循环画成图

课程点破一个观察：此前智能体实现里代码量最大、最核心的部分，就是那个控制循环的函数。LangGraph 的主张是把这段控制流从代码里拿出来，描述成一张图。它支持循环图（cyclic graphs），天然贴合「决策—执行—再决策」的往复；幻灯片把它的独有能力列成三条：循环图、持久化、人在环。

三件套：Nodes（节点）是智能体或函数，负责干活；Edges（边）连接节点，规定数据流向；Conditional Edges（条件边）决定下一跳去哪，让图能按状态分支。

最小的一张 Agent 图长这样：一个 llm 节点负责调用模型；跟在后面的条件边判断模型输出里有没有 tool_calls（工具调用列表）——有就进 action 节点执行工具，没有就走向 END 结束；再补一条 action 指回 llm 的普通边，把工具结果送回模型。入口设在 llm。图建好调用 compile 编译成 LangChain Runnable（统一调用接口的对象），再调 get_graph 的 draw_ascii 或 draw_png，就能自动打印出这张图看结构。

设计哲学压轴：受控。节点之间由明确箭头连接，决策路径在图上看得见。课程认为这种可控性是做出好用智能体的关键，也是 LangGraph 与其他框架的分水岭——它是专为智能体和多智能体流程而生的 LangChain 扩展。

06 Agent state：随时间追踪的那本账

理解 LangGraph 最要紧的一件事是状态（state）：图的每个节点、每条边都能访问它，它只作用于当前图内部，又可以存进持久层，随时把流程恢复到任意时间点。最简单的状态就是一个消息列表，关键字段用 operator.add 注解之后，新消息追加进状态，而不是覆盖旧消息。

课上把工具、状态、类三样一次配齐：用 TavilySearchResults(max_results=2) 初始化搜索工具，每次最多返回两条结果，模型调用它时用的名字是 tavily_search_results_json；AgentState 定义为带注解的消息列表；Agent 类接收三个参数——模型、工具列表、系统提示词。给模型绑工具用 bind_tools 方法，作用就是让模型知道有哪些工具可调。

07 并行还是串行：一个判断口诀

tool_calls 是个列表，也就是说很多新模型支持一轮里并行发起多个工具调用。课程用两问画出分界。问「旧金山和洛杉矶的天气分别如何」，模型同一轮连发两次 Tavily 查询，两个问题互不依赖，这是并行。问「2024 年超级碗冠军是谁？该队所在州的 GDP 是多少」，模型先查「2024 Super Bowl winner」，拿到堪萨斯城酋长队之后，才发起第二个查询「GDP of Missouri 2023」，查到密苏里州当年第三季度四千多亿美元的数——第二次查询的措辞依赖第一次的结果，必须先回传模型再出发，这是串行。口诀一句话：两次调用互不依赖就走并行，后一次要用前一次的结果就走串行。

08 Agent 为什么要专用搜索：一条 5 步管线

先说为什么不能拿普通搜索凑合：模型的静态权重答不了「昨晚比赛比分」这类动态问题；带来源的结果能压低幻觉、顺滑人机交互。课程把一个搜索工具的内部拆成五步：把问题拆成子问题，应对多意图查询；为每个子问题从多个集成里挑最佳数据源，问天气就走天气接口；从来源里只抽取与子问题直接相关的内容；基础做法是对来源分块后跑一次向量检索，取回最相关的前 K 段；最后给各来源的结果打分，滤掉低相关的。

三种搜索的对比很直观。普通搜索（课上用的 DuckDuckGo）只返回一批链接，还得再写函数抓第一个页面、用 Beautiful Soup（一个网页解析库）解析 HTML、抽标题正文，洗完仍旧冗长。Agent 搜索（Tavily）直接回结构化 JSON，温度湿度风力字段齐全——不是人类想直接看的样子，但正是智能体要的。再对照 Google 的样本页：人类要的是一屏直观的关键信息。同一次查询，三种受众，三种格式。

09 Checkpointer 与 thread：上生产的两件标配

长任务两大件：持久化（persistence），把某时刻的状态存下来、之后回来接着跑；流式（streaming），执行中实时报告进展。LangGraph 用 checkpointer（检查点）落实前者，在每个节点执行之后以及节点之间对状态拍快照。课上先用内置 SqliteSaver 的内存数据库，刷新即清空，换 Redis、Postgres 等外部实现也是现成的。

多会话靠 thread config 区分：一个带 thread_id 的配置字典，生产环境多用户必备。课程的三连问最有说服力：同一条线程先问旧金山天气，模型调 Tavily 作答；追问「LA 呢」——这句话没提天气二字，模型靠检查点里的历史正确理解为问洛杉矶天气；再问「which is warmer」，模型结合完整历史答出洛杉矶目前更暖。把 thread_id 换成新值再问同一句，模型立刻失忆，反问「请说明你要比较的是哪两个对象」。

10 流式的两级：消息级与 token 级

调用从 invoke 换成 stream，返回的就是事件流：旧金山那一问依次吐出三条——AI 决定调 Tavily 的消息、搜索结果的工具消息、最终 AI 回复，中间步骤全部可见。想逐 token（词元）流式输出，用对象内置的 astream_events 异步方法，把检查点换成 AsyncSqliteSaver 解锁异步，然后筛出 on_chat_model_stream 类型的事件逐个取内容。一个容易忽略的细节：函数调用阶段没有内容可流，进入最终回答后 token 才逐个流出。

11 3 种人在环：审批、回溯、写回

人工介入的第一步是换账本规则：operator.add 只会追加，人在环场景有时要替换消息，所以写一个自定义的归并函数——新消息与已有消息同 ID 就替换，否则追加。在此基础上，课程总结了三种模式。

第一种，节点前打断审批。编译图时在 checkpointer 之外再传 interrupt_before（节点执行前中断），值设成 action，任何工具执行前先停。停住后用 get_state 能看到 next 参数指向 action；人工点头后，用同一线程配置再调 stream、输入传 None，流程从断点继续。只想在特定工具前打断的话，文档另有章节。

第二种，回到过去。图执行的每一步都存快照，getStateHistory 返回全部快照的迭代器，每份快照有唯一标识 thread_ts；拿它当起点再执行，就是时间回溯。只传 thread_id 不传 thread_ts，就从当前状态继续。

第三种，改完写回。update_state 把修改后的状态写回当前槽位，后续执行以此为起点。课程的完整演示：先问洛杉矶天气，把状态里那次工具调用的参数从「current weather in Los Angeles」改成「current weather in Louisiana」，写回后流程真的去查了路易斯安那，回报晴天。更进阶两种玩法：在历史状态上改出分支，比如指定改查 AccuWeather；或者伪造一条工具消息，内容填「54 degrees Celsius」，更新时声明 as_node="action"（以动作节点的身份更新），图便跳过真实工具调用，模型直接把假结果写进最终回答。三种模式合起来一句话：能拦、能回、能改。

12 Essay Writer：把全部件装进 1 张图

收官项目是一个写作智能体，四个节点转成一个圈：Plan 一次性生成提纲；Research 按提纲调 Tavily 取回文档；Generate 依提纲加文档写稿；Reflect 对稿子生成批评意见，再按批评意见做第二轮检索，新文档累加进旧文档，回到 Generate 重写。转不转下一轮，由修订计数器决定。

它的状态比消息列表复杂得多，七个字段照抄：

模型侧一共五份提示词：规划、写作、反思、按提纲出检索词、按批评意见出检索词——最后一份与前一份的差别只在输入是批评意见而非提纲。为了逼模型稳定返回字符串列表，用函数调用加 Pydantic（Python 的数据校验库）做结构化输出。实测任务问「LangChain 与 LangSmith 的区别」，课程提到所用模型大概率不了解这两个产品，正好逼它去检索：第一稿标题是 Unveiling the Distinctions: LangChain vs LangSmith，批评意见说概述清晰、建议深挖两者的优缺点；第二轮修订后收尾，成文覆盖定义、可扩展性、可中断性与性能。当时的轮数上限设为 2。

13 带界面跑一遍：每一步都能停、能改、能回退

课程给写作智能体配了个小界面，输入主题点按钮就启动图。编译时设置了 interrupt_after（节点执行后暂停），每个状态跑完都停一下，由界面上的勾选框决定继续还是中止；State Snapshots 标签页展示当前完整记忆——初始状态、当前节点、各字段的值，一目了然。

演示里最生动的一幕：流程停在规划节点，已有一份关于披萨店的提纲，讲者当场把 plan 字段改成「讨论果冻甜甜圈在披萨制作中的重要性」，点修改触发 update_state，再点继续，模型就沿着这条被改过的提纲一本正经写起草稿。不满意还能整体回退：把快照里选中的那条历史状态重新压回记忆栈，等于回到过去重跑；换主题就开新线程——界面里 thread 0 是披萨店、thread 1 是新英格兰 IPA，随时切换。完整代码在 helper.py，课程明说可以直接当项目模板。

14 课程没来得及搭的 5 种架构

结课前的快览，五个值得知道的方向。多代理共享状态：多个智能体操作同一份共享状态，每个可以只是提示词加模型，也可以带工具、内部再嵌自己的循环，要点是状态在智能体之间传递、共同维护。supervisor（监管者）架构：一个监管者负责决定传给每个子代理的输入，子代理各持自己的状态；能力强的模型当监管者效果更好，因为监督和规划本身就吃智能。流工程（flow engineering）：出自 AlphaCodium 论文，一条流水线在关键节点带循环——初始方案生成一圈、公开测试迭代一圈、AI 测试再一圈，前段高度单向、到某点转迭代；这是为特定编码任务定制的，但概念可以推广成一句「为智能体的行动与思考设计正确的信息流」。先规划再执行：开头做一次明确规划，交给子代理逐步执行，每步回来视情况更新规划，没完成就重新规划，全部完成再把结果交给用户。语言代理树搜索（LATS）：在可能动作的状态之上建一棵搜索树，生成、反思、向下展开子动作，再决定在树的哪一处回溯，把新信息反向传播给父节点、影响后续方向——课程特别点了一句，这套玩法全靠持久化撑着，因为系统必须能回到先前状态。

资源清单一并带走：LangChain 文档（核心包加社区包）、LangServe（把应用一键部署成 Web 服务）、LangSmith（调试、监控、生产、playground）、LangChain 与 LangGraph 两个 GitHub 仓库（cookbook、模板、参考文档与教程）、先修课《Functions, Tools, and Agents with LangChain》、Prompt Hub（借专家提示词找灵感）。

15 编者收束：最值得抄的三样，和边界

编者判断，这门课最值得拿走的是三样。一张两节点的最小图：llm 加 action 加一条条件边，几乎所有智能体循环都从这副骨架起步。一本状态账：state 加 checkpointer 的组合，让调试、多会话、断点恢复、时间旅行全长在同一套机制上。两个中断参数：interrupt_before 与 interrupt_after 把「人」插进图的任意位置，审批和暂停都只是一行配置。

边界也要摆明。课程是录像时点的接口快照，函数名与参数随版本演进很快，素材转写里同一处就有 draw_png 与 mermaid_png 两种记法，本文按口述实录采信前者；落地请以 LangGraph 官方文档和 helper.py 为准。本文是转述整理，代码未逐行复跑，数字与专名以课程素材为准。要启动按三步走：先手写一遍 ReAct 的 query 循环，体会模型与运行时怎么分工；再用两节点的图把同一个智能体重搭一遍，打印出图看结构；最后给 action 节点加上 interrupt_before，体验一次人工审批。走完这三步，这门课的东西才算真的到了手上。

---

原作者：Andrew Ng（吴恩达，Deeplearning.AI）与 Harrison Chase（LangChain 联合创始人兼 CEO）、Rotem Alaluf（Tavily 联合创始人兼 CEO）；本文观点出自 Deeplearning.AI 课程《AI Agents in LangGraph》（1 小时 52 分，LangChain 与 Tavily 合作出品），视频由 X 账号 @AYi_AInotes 转写整理发布。