LangGraph 智能体实战课程仓库

这个 Agent 能做什么，适合哪些场景？

这是 Udemy 畅销课程《LangGraph – Develop LLM-Powered AI Agents》的动手配套仓库。仓库按分支组织项目：project/agentic-rag（带文档评分、Web 搜索与自适应路由的 RAG 流水线）、project/ReAct-agent（LangGraph 实现的推理加行动循环）、project/reflection 与 project/reflection-agent（让智能体批判并修订自身输出）、project/reflexion-agent（从历史运行中学习）。每个分支内的提交对应一节课，便于按 git log --oneline 顺序跟练。执行入口是 Python 的 main.py，使用 Poetry 管理依赖，通过 .env 提供 OPENAI_API_KEY、可选的 TAVILY_API_KEY 与 LANGCHAIN_API_KEY/LANGCHAIN_TRACING_V2。需要说明的是，仓库本身是教学代码集合，不包含托管服务或生产部署脚本，运行结果取决于你提供的模型密钥与本地配置。

仓库提供可按分支检出的一组 LangGraph 示例工程，每个工程用 main.py 驱动。Agentic RAG 分支的提交串展示了完整链路：先做数据摄取与嵌入，再定义图状态（Graph State）在节点间传递记忆，随后依次实现 Retrieve Node 取回上下文、Grade Docs Node 做结构化相关性过滤、Web Search Node 调用 Tavily API、Generation Node 完成提示与 LLM 生成，最后用条件边把图串成扇入扇出结构，并加入 Self-RAG（让 LLM 自我批判）与 Adaptive Router（动态选择工具）。ReAct 分支实现推理与行动交替的循环；reflection 与 reflection-agent 分支让智能体生成后自我批评并修订；reflexion-agent 分支则把过去的运行结果带回后续决策。所有环节通过 .env 中的密钥访问外部模型与搜索服务，可选开启 LangSmith 追踪。

1. 正在学习 LangGraph 的开发者，希望通过检出 project/agentic-rag 并逐个 cherry-pick 提交来理解 RAG 图的搭建过程。
2. 需要为客户演示带自校正能力的检索问答流程的工程师，可复用 Grade Docs Node 与 Self-RAG 思路搭建原型。
3. 要快速对比 ReAct 与反思/Reflexion 两类智能体循环差异的研究者或学生，可分别在对应分支运行 main.py。
4. 使用 LangChain 生态、希望接入 Tavily 网络搜索工具做多步问答的团队，可参考 Web Search Node 的配置方式。
5. 准备面试或教学材料、需要按课时组织演示顺序的讲师，可利用仓库的 commit 与课程表的一一对应关系。
6. 需要在本地验证 LangSmith 追踪效果的开发者，可通过 LANGCHAIN_TRACING_V2 与 LANGCHAIN_API_KEY 观察图执行。

如何安装或部署这个 Agent？

仓库要求 Python 环境与 Poetry，按 README 的 Quick Start 执行以下命令（注意 README 中的仓库名拼写为 langgaph-course，请按实际地址克隆）：

# 1. 克隆并进入
$ git clone https://github.com/emarco177/langgaph-course.git
$ cd langgaph-course

# 2. 选择项目分支
$ git checkout project/agentic-rag  # 以该分支为例

# 3. 安装依赖（Poetry）
$ poetry install

# 4. 运行
$ poetry run python main.py

随后在仓库根目录创建 .env 文件：

OPENAI_API_KEY=...
TAVILY_API_KEY=...          # 可选 – 用于 Web 搜索课程
LANGCHAIN_API_KEY=...       # 可选 – 用于 LangSmith 追踪
LANGCHAIN_TRACING_V2=true   # 可选
PYTHONPATH=$(pwd)

如何使用这个 Agent？

安装完成后，先确保处于目标分支，再运行入口脚本：

$ git checkout project/ReAct-agent
$ poetry run python main.py

需要用哪个项目就切到哪个分支：project/agentic-rag 演示完整 RAG 流水线，project/ReAct-agent 演示推理与行动循环，project/reflection 与 project/reflection-agent 演示自我批评与修订，project/reflexion-agent 演示从历史运行中学习。想按课时跟练时，可用提交历史查看每一步：

$ git log --oneline
$ git checkout <hash>

如果要使用 Web 搜索节点，需要额外提供 TAVILY_API_KEY；要查看 LangSmith 追踪，则设置 LANGCHAIN_API_KEY 与 LANGCHAIN_TRACING_V2=true。

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

FollowAgents 如何评估这个 Agent？

常见问题