在 GitHub 查看原文

Lesson 09 — 毕业项目：LangGraph 研究助手

本课定位：框架课程的收官之作。把你 Agent L09 手写的研究助手（一个 ReAct while 循环 + 手动 FINAL_REPORT 检测 + 手动报告生成），用 LangGraph 重做成多节点图结构，并综合 L06（StateGraph）+ L07（@tool）+ L08（记忆/HITL）的全部技术。

映射的手写课：agent-lessons/09_capstone（手写 run_research_agent）+ agent-lessons/07_agentic_rag（RAG 作为工具的思路）

一、回顾：你 Agent L09 手写的研究助手

打开 agent-lessons/09_capstone/code.py，你的核心是 run_research_agent：

def run_research_agent(client, topic, max_steps=8):
    messages = [system, user]
    for step in range(max_steps):
        msg = client.chat.completions.create(messages=messages, tools=TOOLS_SPEC, ...)
        if "FINAL_REPORT" in msg.content:     # ← 手动字符串检测"该出报告了"
            break
        if msg.tool_calls:
            result = execute_function(...)    # ← 手动执行搜索
            messages.append({"role": "tool", ...})
    report = generate_report(topic, collected_info)   # ← 循环外单独生成报告

这是一个单层的 for 循环，把"搜索"和"生成报告"混在一起，靠字符串 "FINAL_REPORT" 来判断阶段切换。

痛点： 1. 阶段切换靠字符串检测——脆弱（模型写错一个字就失效）。 2. 流程不可视——"先搜索、搜够再出报告"这个逻辑藏在循环里。 3. 报告生成在循环外——结构上割裂，难扩展（比如想加"审查报告"步骤）。

二、LangGraph 版的图设计

本课用一张多节点图重写，结构清晰可见：

                  ┌──────────────────────────────────────┐
                  │                                      │
                  ▼                                      │
START ──▶ ┌──────────────┐  有tool_calls(要搜索)  ┌─────┴───┐
          │  research    │───────────────────────▶│  tools  │
          │ (调模型+决策) │                        │(执行搜索)│
          └──────┬───────┘                        └─────────┘
                 │ 没tool_calls(搜够了)
                 ▼
          ┌──────────────┐
          │  report      │────────▶ END
          │ (生成报告)    │
          └──────────────┘

三个节点

两条边 + 一个回路 + 一个条件

• START → research：入口
• research →(条件)：模型要搜索去 tools，搜够了去 report
• tools → research：搜索结果喂回去，这就是 while 循环（L06 学的回路）
• report → END：报告生成完结束

对比 Agent L09：你的 for 循环 + "FINAL_REPORT" 字符串检测，现在变成了条件边（模型不调工具了 = 搜够了 → 去 report）。结构化、不脆弱、可视化。

自定义 State —— 为什么不用 MessagesState？

Agent L09 需要记住"研究主题"和"最终报告"，这些不只是 messages。所以本课用自定义 State：

class ResearchState(TypedDict):
    topic: str               # 研究主题（report 节点要用）
    messages: Annotated[list, add_messages]  # 对话历史（自动追加）
    report: str              # 最终报告（report 节点产出）

对比 L06 的 MessagesState（只有 messages），自定义 State 能携带任意业务字段——这是真实项目必需的能力。

三、综合了哪些技术（本课是框架课程的集大成）

这就是为什么 L06-L08 要先学——它们是毕业项目的积木。你现在把它们拼起来。

四、Agent L09 的循环 vs 本课的图：终极对比

核心不变的是研究助手的原理（搜索→收集→报告）。图让它结构化、可视化、可扩展、可记忆。

五、运行本课

python framework-lessons/09_capstone/code.py

你会看到： 1. 图结构的 Mermaid 可视化（对比手写的"读代码才知道流程"） 2. 研究助手自主搜索一个主题（多轮 web_search 循环） 3. 自动生成结构化研究报告 4. Checkpointer 记忆演示（追问能接上下文）

💡 本课用 DuckDuckGo 联网搜索（和 Agent L09 一样，免费无 key）。偶尔会限流返回"无结果"，Agent 会自动换关键词重试——这也是真实工程的常态。

六、简历价值

这个项目可以写进简历，建议这样描述：

基于 LangGraph 的智能研究助手：用 StateGraph 设计多节点 Agent 图（research → tools → report），集成 web_search 工具实现自主多轮联网搜索，Checkpointer 实现跨会话记忆，输出结构化研究报告。对比手写 ReAct 循环，图结构让流程可视化、阶段切换从字符串检测升级为条件边路由。

面试时能说的深度点： - 为什么用图而非 while 循环（可视化、可扩展、可持久化） - 条件边如何替代脆弱的字符串检测 - 自定义 State vs MessagesState 的取舍 - @tool + ToolNode + tools_condition 各自的职责 - 真实遇到的问题（搜索限流、模型参数错误）及处理

七、小结：框架课程全部完成 🎉

学完 L01-L09，你已经把手写的 RAG（9课）+ 手写的 Agent（9课）+ 框架工程化（9课）= 27 课全部跑通。你现在能：

• 说清 LangChain 与 LangGraph 的分工与取舍
• 用 LCEL 组装 RAG Chain，用 StateGraph 设计状态化 Agent
• 回答"框架替你做了什么、隐藏了什么、何时绕回手写"——高级候选人才答得上
• 拥有 3 个可写进简历的作品（RAG 助手 / 手写 Agent / LangGraph 研究助手）

下一步建议： 1. 把三个毕业项目都跑一遍，确保能演示 2. 用 LangSmith 给研究助手加可观测性（trace 每步耗时/Token） 3. 探索部署：LangGraph Studio / FastAPI 服务化 4. 关注 LangChain 1.x 的持续迁移（community sunset / create_react_agent → create_agent）

恭喜完成全部课程！