LangGraph实战：构建智能文本分析流水线

LangGraph实战：构建智能文本分析流水线

1. 智能文本分析

LangGraph是基于图结构的工作流开发框架，通过节点函数和条件流转实现复杂业务逻辑。四大核心能力：

1.1 状态容器
统一管理流程执行上下文，支持JSON序列化存储

1.2 智能路由
基于条件判断实现动态分支跳转

1.3 可视化调试
自动生成Mermaid流程图，直观展示业务流程

1.4 持久化存储
支持流程状态的保存与恢复

根据自身业务自定义文本数据处理流程：

2. 环境准备

2.1 安装依赖库

!pip install langgraph langchain langchain-openai python-dotenv

2.2 配置API密钥

import os
from dotenv import load_dotenv

load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv('OPENAI_API_KEY')  # 从.env加载密钥

3. 构建文本处理流水线

本案例实现文本分类->实体抽取->摘要生成的三步流水线

3.1 状态容器定义

from typing import TypedDict, List

class ProcessState(TypedDict):
    raw_text: str         # 原始文本
    category: str         # 分类结果  
    entities: List[str]   # 实体列表
    summary: str          # 摘要结果

3.2 初始化大模型

from langchain_openai import ChatOpenAI

#llm = ChatOpenAI(model="gpt-4-mini", temperature=0)


# 这里把gpt替换成deepseek
llm = ChatOpenAI(
    base_url="https://api.deepseek.com/v1",  # DeepSeek API端点
    model="deepseek-chat",                  # DeepSeek模型标识
    openai_api_key="sk-eddxxxxxxxxxxxxxxxxxxxx",     # 替换为DeepSeek密钥
    max_tokens=1000