LangGraph--搭建官方机器人聊天（带工具的）教程
请设置正确你的deepseek的key，最近无法免费使用了，所以你需要充钱，然后获取key，key就是到官网注册账号，根据这个key进行计费的，所以需要保管好，其他key类似的，不明白的请百度吧，下面将直接上代码了：
from typing import Annotatedfrom langchain_deepseek import ChatDeepSeek
from langchain_tavily import TavilySearch
from langchain_core.messages import BaseMessage
from typing_extensions import TypedDictfrom langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_conditionfrom langchain.chat_models import init_chat_modelimport os
from dotenv import load_dotenv# 加载.env文件中的环境变量
load_dotenv()class State(TypedDict):messages:Annotated[list, add_messages]graph_builder = StateGraph(State)# llm = init_chat_model(
# "deepseek-chat", # 使用DeepSeek模型
# api_key=os.environ.get("DEEPSEEK_API_KEY")
# )llm = ChatDeepSeek(model="deepseek-chat",api_key=os.getenv("DEEPSEEK_API_KEY"))
# mess = llm.invoke(input = "你是谁？")# 初始化搜索工具
tool = TavilySearch(max_results=2)
tools =[tool]# 将工具绑定到llm中
llm_with_tools = llm.bind_tools(tools)
def chatbot(state:State):return {"messages":[llm_with_tools.invoke(state["messages"])]}# 添加聊天机器人节点
graph_builder.add_node("chatbot",chatbot)
# 添加工具节点
tool_node = ToolNode(tools=[tool])
graph_builder.add_node("tools",tool_node)
# 添加条件边
graph_builder.add_conditional_edges("chatbot",tools_condition)# 工具调用完成后，返回聊天机器人节点
graph_builder.add_edge("tools","chatbot")
graph_builder.set_entry_point("chatbot")
graph =graph_builder.compile()# 打印图结构
print(graph.get_graph().draw_mermaid())
graph_png = graph.get_graph().draw_mermaid_png()
with open("chatbot_workflow.png", "wb") as f:f.write(graph_png)def stream_graph_updates(user_input:str):for event in graph.stream({"messages": [{"role": "user", "content": user_input}]}):for value in event.values():print("Assistant:", value["messages"][-1].content)while True:try:user_input = input("User: ")if user_input.lower() in ["quit", "exit", "q"]:print("Goodbye!")breakstream_graph_updates(user_input)except KeyboardInterrupt:print("\nGoodbye!")breakprint("done")这里我们导入了必要的库，包括：
typing和typing_extensions用于类型注释langchain.chat_models用于初始化聊天模型langgraph.graph提供了构建状态图的核心组件os和dotenv用于环境变量管理
加载环境变量
load_dotenv()
这行代码会从项目根目录的 .env 文件中加载环境变量，包括我们的 DEEPSEEK_API_KEY。不懂的仔细百度这个函数和库，学习一下啊
其他的代码中都有注释
我们成功地增强了聊天机器人，使其具备了使用外部工具的能力。通过集成Tavily搜索API，我们的聊天机器人现在可以：
- 识别需要外部信息的问题
- 自动调用搜索工具获取相关信息
- 处理搜索结果并生成基于这些信息的回答
这种增强极大地扩展了聊天机器人的能力范围，使其不再局限于模型的训练数据。
我们还学习了LangGraph的几个重要概念：
- 工具绑定（Tool Binding）：通过
bind_tools方法将工具与LLM集成 - 预构建组件：使用
ToolNode和tools_condition简化工具处理 - 条件边：根据状态动态决定执行流程
- 循环流程：创建包含循环的复杂工作流