從LangChain到LangGraph：AI智能體提示詞工程的系統化學習
作者：AI研究生
AI 代理的世界正在迅速擴展，掌握 LangChain 和 LangGraph 的提示工程讓你站在這場革命的前沿。無論你是打造客服機器人、內容創建系統還是復雜分析工具，這些框架為你創建真正智能的應用提供了基礎。
AI 的世界正在飛速演變，從簡單的問答系統升級成了復雜、多步驟推理的智能代理。不管你是想打造客服機器人、數據分析工具，還是復雜的自動化工作流程，掌握 LangChain 和 LangGraph 的提示工程（Prompt Engineering）是你成功的關鍵！
為什么提示工程比以往任何時候都重要傳統的提示方式對簡單任務還行，但現代 AI 應用需要：
? 多步驟推理
? 動態決策
? 記憶與上下文感知
? 工具集成
? 錯誤處理與自我糾正
下面我們來聊聊 LangChain 和 LangGraph 怎么讓這一切變成現實！
基礎：LangChain 提示模板
1. 字符串模板 —— 基礎入門 ??
適合簡單、單一輸入的場景：
from langchain_core.prompts import PromptTemplate
# 客服郵件生成器
email_template = PromptTemplate.from_template(
"""
為以下情況撰寫一封專業的客服郵件：
客戶問題：{issue}
客戶姓名：{customer_name}
緊急程度：{urgency}
語氣：共情且以解決方案為導向
包含：問題確認、解決方案步驟、后續跟進提議
"""
)
# 生成個性化回復
prompt = email_template.invoke({
"issue": "支付后無法訪問高級功能",
"customer_name": "Sarah",
"urgency": "High"
})
print(prompt.to_string())小貼士 ??：在模板中使用描述性的變量名和清晰的指令！
2. 聊天模板 —— 對話的超能力
適合打造復雜的聊天體驗：
from langchain_core.prompts import ChatPromptTemplate
# AI 編程導師設置
coding_mentor_template = ChatPromptTemplate.from_messages([
("system", """你是 Python 編程專家，你的教學風格是：
? 耐心且鼓勵
? 提供清晰的解釋和示例
? 提出引導性問題幫助學生思考
? 慶祝學生的進步和學習時刻
"""),
("user", "我在 {topic} 上有困難，能幫我理解 {specific_question} 嗎？")
])
# 創建學習會話
chat_prompt = coding_mentor_template.invoke({
"topic": "列表推導式",
"specific_question": "什么時候用它，什么時候用普通循環"
})3. 使用 MessagesPlaceholder 實現動態消息歷史
對保持對話上下文至關重要：
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage
# 帶記憶的項目管理助手
project_template = ChatPromptTemplate.from_messages([
("system", "你是項目管理助手，跟蹤任務、截止日期和團隊進展。"),
MessagesPlaceholder(variable_name="conversation_history"),
("user", "{current_request}")
])
# 模擬對話歷史
conversation_history = [
HumanMessage(cnotallow="我們有個新項目：移動應用開發"),
AIMessage(cnotallow="好的！已記錄移動應用開發項目。時間線是怎樣的？"),
HumanMessage(cnotallow="我們需要在3個月內上線"),
AIMessage(cnotallow="已記錄3個月時間線。關鍵里程碑有哪些？")
]
# 繼續對話
current_prompt = project_template.invoke({
"conversation_history": conversation_history,
"current_request": "添加任務：設計用戶界面 mockups，下周五截止"
})使用 LCEL 構建智能鏈
LangChain Expression Language (LCEL) 讓你能創建強大的處理流水線：
簡單鏈示例
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
# 內容創作流水線
llm = ChatOpenAI(model="gpt-4", temperature=0.7)
output_parser = StrOutputParser()
# 博客文章生成鏈
blog_chain = (
{"topic": lambda x: x, "audience": lambda x: "developers"}
| PromptTemplate.from_template(
"為 {audience} 撰寫一篇關于 {topic} 的吸引人博客文章，"
"包含實用示例和可操作的建議。"
)
| llm
| output_parser
)
result = blog_chain.invoke("API Rate Limiting Best Practices")
print(result)復雜多步驟分析
from langchain_core.runnables import RunnablePassthrough
# 數據分析工作流
defextract_metrics(data):
returnf"從 {data[:100]} 中提取的關鍵指標..."
defgenerate_insights(context):
returnf"基于 {context['metrics']} 的洞察：[分析內容]"
# 多步驟分析鏈
analysis_chain = (
RunnablePassthrough.assign(metrics=extract_metrics)
| RunnablePassthrough.assign(insights=generate_insights)
| PromptTemplate.from_template(
"創建執行摘要報告：\n"
"數據：{input}\n"
"指標：{metrics}\n"
"洞察：{insights}\n"
"格式為專業商務報告。"
)
| llm
| output_parser
)使用 LangGraph 實現高級編排
LangGraph 超越線性鏈，帶來智能、有狀態的工作流：
狀態管理
from typing import TypedDict, List
from langgraph.graph import StateGraph, END
classCustomerSupportState(TypedDict):
customer_message: str
sentiment: str
category: str
priority: str
resolution_steps: List[str]
escalated: bool
# 定義工作流節點
defanalyze_sentiment(state: CustomerSupportState):
# 情感分析邏輯
message = state["customer_message"]
# 簡化的情感檢測
if"angry"in message.lower() or"frustrated"in message.lower():
sentiment = "negative"
elif"happy"in message.lower() or"great"in message.lower():
sentiment = "positive"
else:
sentiment = "neutral"
return {"sentiment": sentiment}
defcategorize_issue(state: CustomerSupportState):
message = state["customer_message"].lower()
if"billing"in message or"payment"in message:
category = "billing"
elif"technical"in message or"bug"in message:
category = "technical"
else:
category = "general"
return {"category": category}
defdetermine_priority(state: CustomerSupportState):
if state["sentiment"] == "negative"and state["category"] == "billing":
priority = "high"
elif state["category"] == "technical":
priority = "medium"
else:
priority = "low"
return {"priority": priority}條件邏輯與路由
def should_escalate(state: CustomerSupportState):
"""決定是否需要升級工單"""
if state["priority"] == "high"or state["sentiment"] == "negative":
return"escalate"
else:
return"resolve"
defescalate_ticket(state: CustomerSupportState):
return {
"escalated": True,
"resolution_steps": ["已升級至高級支持團隊", "經理將在1小時內聯系"]
}
defauto_resolve(state: CustomerSupportState):
steps = {
"billing": ["檢查支付狀態", "發送賬單說明", "提供支付計劃"],
"technical": ["收集系統信息", "應用常見修復", "安排后續跟進"],
"general": ["提供相關文檔", "提供額外協助"]
}
return {
"escalated": False,
"resolution_steps": steps.get(state["category"], ["已提供一般協助"])
}
# 構建工作流圖
workflow = StateGraph(CustomerSupportState)
# 添加節點
workflow.add_node("analyze_sentiment", analyze_sentiment)
workflow.add_node("categorize_issue", categorize_issue)
workflow.add_node("determine_priority", determine_priority)
workflow.add_node("escalate_ticket", escalate_ticket)
workflow.add_node("auto_resolve", auto_resolve)
# 定義流程
workflow.set_entry_point("analyze_sentiment")
workflow.add_edge("analyze_sentiment", "categorize_issue")
workflow.add_edge("categorize_issue", "determine_priority")
# 條件路由
workflow.add_conditional_edges(
"determine_priority",
should_escalate,
{
"escalate": "escalate_ticket",
"resolve": "auto_resolve"
}
)
workflow.add_edge("escalate_ticket", END)
workflow.add_edge("auto_resolve", END)
# 編譯并運行
app = workflow.compile()打造智能 AI 代理
ReAct 框架實戰
from langchain.tools import Tool
from langchain.agents import create_react_agent
# 定義自定義工具
@tool
defsearch_knowledge_base(query: str) -> str:
"""搜索內部知識庫獲取信息"""
knowledge_db = {
"api limits": "標準計劃：每小時1000次請求，高級計劃：每小時10000次",
"password reset": "使用忘記密碼鏈接，檢查郵件，遵循說明",
"billing cycle": "按注冊日期月度計費，提供年度折扣"
}
for key, value in knowledge_db.items():
if key in query.lower():
return value
return"知識庫中未找到信息"
@tool
defcreate_support_ticket(issue: str, priority: str) -> str:
"""為復雜問題創建支持工單"""
ticket_id = f"TICKET-{hash(issue) % 10000}"
returnf"支持工單 {ticket_id} 已創建，優先級：{priority}"
@tool
defsend_email_notification(recipient: str, subject: str, message: str) -> str:
"""向客戶發送郵件通知"""
returnf"郵件已發送至 {recipient}，主題：{subject}"
# 創建帶工具的代理
tools = [search_knowledge_base, create_support_ticket, send_email_notification]
agent_prompt = """
你是一個樂于助人的客服代理，你可以：
1. 搜索知識庫獲取答案
2. 為復雜問題創建支持工單
3. 向客戶發送郵件通知
始終保持幫助性和專業性，必要時使用工具。
客戶問題：{input}
{agent_scratchpad}
"""
# 代理執行示例
defrun_support_agent(customer_query: str):
# 這里將與實際代理執行整合
print(f"正在處理：{customer_query}")
print("代理思考中...")
print("工具使用：search_knowledge_base")
print("回復已生成！")多代理協作
class MultiAgentSystem:
def__init__(self):
self.agents = {
"researcher": self.create_researcher_agent(),
"writer": self.create_writer_agent(),
"reviewer": self.create_reviewer_agent()
}
defcreate_researcher_agent(self):
return {
"role": "研究專家",
"tools": ["web_search", "data_analysis", "fact_checking"],
"prompt": "收集給定主題的全面信息"
}
defcreate_writer_agent(self):
return {
"role": "內容創作者",
"tools": ["content_generation", "style_formatting"],
"prompt": "基于研究結果創建吸引人的內容"
}
defcreate_reviewer_agent(self):
return {
"role": "質量保證",
"tools": ["grammar_check", "fact_verification", "style_review"],
"prompt": "審查并提升內容質量"
}
defcoordinate_workflow(self, task: str):
"""協調多代理協作"""
# 研究階段
research_data = self.agents["researcher"]["process"](task)
# 寫作階段
draft_content = self.agents["writer"]["process"](research_data)
# 審查階段
final_content = self.agents["reviewer"]["process"](draft_content)
return final_content
# 使用示例
multi_agent = MultiAgentSystem()
result = multi_agent.coordinate_workflow("撰寫關于 AI 倫理的綜合指南")高級提示技巧
1. 鏈式思維提示（Chain-of-Thought Prompting）
cot_template = PromptTemplate.from_template("""
一步步解決這個問題：
問題：{problem}
讓我仔細思考：
步驟1：理解問題要求
步驟2：識別關鍵信息
步驟3：應用相關原則/公式
步驟4：計算/推理解決方案
步驟5：驗證答案是否合理
解決方案：
""")2. 少樣本學習示例（Few-Shot Learning Examples）
few_shot_template = PromptTemplate.from_template("""
將以下客戶反饋分類為 Positive、Negative 或 Neutral：
示例：
輸入："產品很好用，運輸也很快！"
輸出：Positive
輸入："客服很差，非常失望"
輸出：Negative
輸入："產品按時到達，符合預期"
輸出：Neutral
現在分類這個：
輸入：{feedback}
輸出：
""")3. 自我糾正循環 ??
def self_correcting_agent(initial_response: str, validation_criteria: str):
"""實現自我糾正機制"""
correction_template = PromptTemplate.from_template("""
原始回復：{response}
驗證標準：{criteria}
根據標準審查你的回復。如果需要改進：
1. 識別具體問題
2. 提供修正版本
3. 解釋改進的內容
最終回復：
""")
return correction_template.format(
respnotallow=initial_response,
criteria=validation_criteria
)生產環境最佳實踐
錯誤處理與韌性
from langchain_core.runnables import RunnableLambda
import logging
defsafe_llm_call(prompt: str, fallback_response: str = "抱歉，我在處理你的請求時遇到問題。"):
"""安全的 LLM 調用包裝器，帶錯誤處理"""
try:
# 這里是你的 LLM 調用
response = llm.invoke(prompt)
return response
except Exception as e:
logging.error(f"LLM 調用失敗：{e}")
return fallback_response
# 帶回退機制的韌性鏈
resilient_chain = (
prompt_template
| RunnableLambda(safe_llm_call)
| output_parser
)內存管理
from langchain.memory import ConversationBufferWindowMemory
from langchain_community.chat_message_histories import RedisChatMessageHistory
# 持久化對話內存
def create_persistent_memory(session_id: str):
return ConversationBufferWindowMemory(
chat_memory=RedisChatMessageHistory(
session_id=session_id,
url="redis://localhost:6379"
),
memory_key="chat_history",
k=10 # 保留最近10次交流
)性能優化
import asyncio
from langchain_core.runnables import RunnableParallel
asyncdefparallel_processing_example():
"""并發處理多個任務"""
parallel_chain = RunnableParallel(
summary=summarization_chain,
sentiment=sentiment_chain,
keywords=keyword_extraction_chain
)
results = await parallel_chain.ainvoke({"text": document})
return results
# 緩存重復查詢
from functools import lru_cache
@lru_cache(maxsize=1000)
defcached_llm_call(prompt_hash: str):
"""緩存相同提示的 LLM 回復"""
return llm.invoke(prompt_hash)現實世界的應用
1. 客服自動化
? 基于內容分析的自動工單路由
? 根據客戶情緒調整的情感感知回復
? 知識庫集成提供即時答案
? 復雜問題的升級工作流
2. 內容生成流水線
? 網絡爬取與事實核查的自動化研究
? 多格式內容（博客、社交媒體、郵件）
? 通過自定義提示保持品牌聲音一致性
? 自動審查流程確保質量
3. 數據分析助手
? 自然語言到 SQL 的轉換
? 從原始數據自動生成報告
? 洞察提取與趨勢識別
? 基于數據類型的可視化推薦
未來趨勢與創新
AI 代理的未來超級激動人心：
? 處理文本、圖像和音頻的多模態代理
? 帶持久學習能力的長期記憶系統
? 解決復雜問題的協作代理網絡
? 針對醫療、金融、法律等行業的領域特定優化
關鍵收獲
? 從簡單的提示模板開始，逐步增加復雜性
? 使用 LangChain 構建線性工作流和簡單鏈
? 利用 LangGraph 實現復雜、有狀態和條件的工作流
? 實現適當的錯誤處理和回退機制
? 考慮內存和上下文以提升用戶體驗
? 針對邊緣情況和錯誤場景進行廣泛測試
? 監控性能并針對你的特定用例優化
準備好打造你的 AI 代理了嗎？
AI 代理的世界正在迅速擴展，掌握 LangChain 和 LangGraph 的提示工程讓你站在這場革命的前沿。無論你是打造客服機器人、內容創建系統還是復雜分析工具，這些框架為你創建真正智能的應用提供了基礎。
今天就開始實驗吧！從簡單鏈開始，逐步增加復雜性，別害怕挑戰可能的邊界。AI 的未來是代理化的，你現在已經裝備好成為其中的一部分！
責任編輯：武曉燕
來源：
AI大模型觀察站
