2026年，AI Agent（人工智能代理）已成为开发者最热门的技术方向之一。本文将手把手教你使用LangGraph框架在Python中构建一个功能完整的AI Agent，无需从零开始。

什么是AI Agent？

AI Agent是一种能够自主感知环境、制定计划并执行动作的智能程序。与传统的LLM调用不同，Agent具备工具使用、记忆管理和多步推理能力。2026年，从Google到OpenAI，各大厂商都在全力推进Agentic AI的发展。

环境准备

首先，安装所需的依赖库：

pip install langgraph langchain langchain-openai

需要Python 3.10以上版本，以及一个可用的OpenAI API密钥（或其他兼容的LLM提供商）。

第一步：定义工具

Agent的核心能力来自于它可以调用的工具。以下是一个简单的搜索工具和计算器工具的例子：

from langchain.tools import tool

@tool
def search_web(query: str) -> str:
    """搜索网络获取最新信息"""
    # 这里集成你选择的搜索引擎API
    return f"搜索结果: {query}的相关信息"

@tool
def calculator(expression: str) -> str:
    """执行数学计算"""
    try:
        return str(eval(expression))
    except Exception as e:
        return f"计算错误: {e}"

tools = [search_web, calculator]

第二步：构建Agent图

LangGraph使用有向图（Graph）来定义Agent的执行流程。每个节点代表一个步骤，边代表状态流转：

from langgraph.graph import StateGraph, END
from typing import TypedDict, List
from langchain_openai import ChatOpenAI

class AgentState(TypedDict):
    messages: List
    next_step: str

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

def call_model(state: AgentState):
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

def should_continue(state: AgentState):
    last_msg = state["messages"][-1]
    if "FINAL_ANSWER" in last_msg.content:
        return END
    return "tools"

graph = StateGraph(AgentState)
graph.add_node("agent", call_model)
graph.set_entry_point("agent")

第三步：添加工具执行节点

Agent决定调用哪个工具后，需要由工具节点实际执行：

def execute_tools(state: AgentState):
    last_msg = state["messages"][-1]
    tool_calls = last_msg.additional_kwargs.get("tool_calls", [])
    results = []
    for tc in tool_calls:
        func_name = tc["function"]["name"]
        args = json.loads(tc["function"]["arguments"])
        for t in tools:
            if t.name == func_name:
                result = t.run(args)
                results.append(result)
    return {"messages": [{"role": "tool", "content": str(results)}]}

graph.add_node("tools", execute_tools)
graph.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END})
graph.add_edge("tools", "agent")

app = graph.compile()

第四步：运行Agent

现在可以运行你的AI Agent了：

result = app.invoke({
    "messages": [{"role": "user", "content": "计算 256 * 32 的结果，并告诉我今天AI行业的最新动态"}]
})
print(result["messages"][-1].content)

进阶技巧

1. 添加记忆功能

使用LangGraph内置的持久化支持，可以让Agent记住历史对话：

from langgraph.checkpoint import MemorySaver

memory = MemorySaver()
app = graph.compile(checkpointer=memory)
# 现在Agent会记住之前的对话上下文

2. 人机协作（Human-in-the-Loop）

在关键决策点加入人工审核，确保Agent的行为安全可控：

graph.add_node("human_review", human_review_function)
graph.add_edge("tools", "human_review")
graph.add_edge("human_review", "agent")

总结

2026年是AI Agent爆发的一年。从Google的Agent Bake-Off到NVIDIA的AI-Q Agent平台，从Spring AI到LangGraph，构建AI Agent的框架和工具已经非常成熟。本文介绍的LangGraph方案因其灵活性和对复杂工作流的支持，已成为目前最受欢迎的Agent开发框架之一。

通过本文的四个简单步骤，你可以在15分钟内搭建一个具备工具调用、多步推理能力的AI Agent。下一步，你可以尝试接入自定义API、数据库查询、文件处理等更丰富的工具集，让你的Agent处理更复杂的实际业务场景。

参考资源：LangGraph官方文档、LangChain官方教程、Google Agent Bake-Off 2026