LangGraph —— 實戰智能編輯 Agent
- 需求描述 =======
在前面課程的《LangGraph 快速入門》中，我們已經介紹了 LangGraph 框架的核心概念和基礎用法，相信大家一定已經躍躍欲試，想要立即動手來實現一個 Agent 了。那麼本節課，我們就直接上乾貨，實現一個同時具備寫文章 + 配插圖能力的智能編輯 Agent。
在寫代碼之前，我們先來簡單梳理下業務需求。
回想一下我們平時寫文章或者技術博客的大概流程：首先要確定一個主題，然後想一個博人眼球的標題，接下來就是寫正文，最後再配上一張生動有趣的插圖。整個流程如下圖所示：
看到這個流程圖，詳細細心的同學一定發現了：這不就是個標準的工作流 Workflow 嘛！現在大模型的創作能力已經這麼強了，我是不是可以基於大模型搭建一個 Agent，一鍵完成上面的全部流程呢？當然可以，這就是 LangGraph 最擅長做的事情。
那麼閒話少敘，我們馬上就用 LangGraph 來實現這樣一個智能編輯 Agent。多代碼預警！
- 狀態定義 =======
用 LangGraph 實現 Agent，最核心的環節就是定義 State 狀態，它是多個節點間協作和通信的關鍵要素。
這裏我們定義 ArticleState 文章狀態，主要包含主題、標題、正文、摘要和插圖 5 個要素：
from typing_extensions import TypedDict
class ArticleState(TypedDict):
"""文章狀態"""
topic: str # 主題
title: str # 標題
content: str # 正文
summary: str # 摘要
image_path: str # 插圖路徑接下來，我們進行一些資源準備的工作。本次的項目我們採用 DeepSeek-V3 作爲基礎模型，所以要創建好 DeepSeek 客戶端。這裏我就直接使用 LangChain 封裝好的 ChatOpenAI 類：
import os
import dotenv
from langchain_openai import ChatOpenAI
# 加載環境變量
dotenv.load_dotenv()
def get_deepseek() -> ChatOpenAI:
"""
獲取DeepSeek客戶端
:return: DeepSeek客戶端
"""
return ChatOpenAI(
model="deepseek-chat", # 使用DeepSeek-V3 Chat Model
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_API_BASE"),
)然後，我們定義一個全局的 SystemPrompt，在裏面統一文章的主題和行文風格，這邊有利於文章整體結構保持一致：
# 文章的全局System Prompt
SYSTEM_PROMPT = """
你是一位資深的內容編輯，擅長各種題材的寫作。
你正在撰寫一篇主題爲 {topic} 的文章，字數在4000字左右，你力求做到結構嚴謹、行文優美、可讀性強。
特別注意：你所有生成的內容均採用英文。
"""- 標題 Node ==========
狀態定義完成之後，我們就可以來設計 Node 節點了。如果同學忘了 Node 的概念和處理流程，可以複習下前面的課程~
按照我們設計的文章撰寫流程，總共需要 4 個 Node：
-
TitleNode：生成文章標題
-
ContentNode：編寫文章正文內容
-
SummaryNode：對文章內容進行摘要總結
-
ImageNode：根據文章摘要生成插圖
第一個來實現 TitleNode，它的邏輯非常簡單，就是根據用戶輸入的主題 topic ，創作文章的標題：
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from deepseek import get_deepseek
from prompt import SYSTEM_PROMPT, TITLE_PROMPT
from state import ArticleState
# 標題Prompt
TITLE_PROMPT = """
結合指定的主題，給文章起一個貼切的標題。
特別注意：只生成一個最合適的標題即可，以純文本格式返回，無需生成其他額外信息。
"""
def title_node(state: ArticleState) -> ArticleState:
"""
文章標題節點
:param state: 當前文章狀態
:return: 處理後的文章狀態
"""
# 從當前狀態中獲取所需信息
if not state["topic"]:
raise ValueError("未指定文章主題！")
topic = state["topic"]
# 構造prompt
prompt = ChatPromptTemplate.from_messages([
("system", SYSTEM_PROMPT),
("user", TITLE_PROMPT)
])
# 獲取DeepSeek客戶端
deepseek = get_deepseek()
# 構造Chain
chain = prompt | deepseek | StrOutputParser()
# 調用Chain,獲取結果
title = chain.invoke({"topic": topic})
# 更新狀態
state["title"] = title
print(f"文章標題生成完成：{title}")
# 返回處理後的狀態
return state- 正文 Node ==========
第二個是 ContentNode，它根據文章的主題和標題，生成文章的正文內容：
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from deepseek import get_deepseek
from prompt import SYSTEM_PROMPT, CONTENT_PROMPT
from state import ArticleState
# 正文Prompt
CONTENT_PROMPT = """
文章的標題爲：《{title}》
接下來，按照總-分-總的結構，生成文章的主要段落。段落數在3~6段之間，可以結合你的經驗和主題靈活調整。
下面是一個可供參考的段落結構：
1. xxx綜述
2. xxx的歷史演進
3. xxx的核心概念
4. xxx實戰
5. xxx總結
格式要求：生成的內容純文本格式，每一段都要有一個二級標題（##）。段落之間保留2行空行。
"""
def content_node(state: ArticleState) -> ArticleState:
"""
文章正文內容節點
:param state: 當前文章狀態
:return: 處理後的文章狀態
"""
# 從當前狀態中獲取所需信息
if not state["topic"]:
raise ValueError("未指定文章主題！")
if not state["title"]:
raise ValueError("文章標題缺失！")
topic = state["topic"]
title = state["title"]
# 構造prompt
prompt = ChatPromptTemplate.from_messages([
("system", SYSTEM_PROMPT),
("user", CONTENT_PROMPT)
])
# 獲取DeepSeek客戶端
deepseek = get_deepseek()
# 構造Chain
chain = prompt | deepseek | StrOutputParser()
# 調用Chain,獲取結果
content = chain.invoke({"topic": topic, "title": title})
# 更新狀態
state["content"] = content
print(f"文章正文生成完成：共 {len(content)} 字")
# 返回處理後的狀態
return state- 摘要 Node ==========
繼續來實現第三個 SummaryNode，基於全文的內容生成摘要總結。之所以需要摘要，是爲了後面的生成插圖做準備。
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from deepseek import get_deepseek
from prompt import SYSTEM_PROMPT, SUMMARY_PROMPT
from state import ArticleState
# 摘要Prompt
SUMMARY_PROMPT = """
現在，文章已經寫好了，請你根據文章的主題、標題和正文內容，生成一段30~60字的摘要，總結這篇文章的核心內容。
標題：{title}
正文內容：{content}
"""
def summary_node(state: ArticleState) -> ArticleState:
"""
文章摘要節點
:param state: 當前文章狀態
:return: 處理後的文章狀態
"""
# 從當前狀態中獲取所需信息
if not state["topic"]:
raise ValueError("未指定文章主題！")
if not state["title"]:
raise ValueError("文章標題缺失！")
if not state["content"]:
raise ValueError("文章正文內容缺失！")
topic = state["topic"]
title = state["title"]
content = state["content"]
# 構造prompt
prompt = ChatPromptTemplate.from_messages([
("system", SYSTEM_PROMPT),
("user", SUMMARY_PROMPT)
])
# 獲取DeepSeek客戶端
deepseek = get_deepseek()
# 構造Chain
chain = prompt | deepseek | StrOutputParser()
# 調用Chain,獲取結果
summary = chain.invoke({"topic": topic, "title": title, "content": content})
# 更新狀態
state["summary"] = summary
print(f"文章摘要生成完成：共 {len(summary)} 字")
# 返回處理後的狀態
return state- 插圖 Node ==========
最後一個就是 ImageNode，基於文章的摘要配插圖。圖片生成需要多模態大模型，這裏我們使用豆包的
seedream-3.0-t2i 這個文生圖模型，它的圖片生成質量還是不錯的。（PS. 豆包大模型可以通過火山引擎來使用，新註冊的賬號還有一定的免費額度）。
生圖成功後，會返回一個可訪問的 url ，但是這個 url 通常是有過期時間的，所以我把圖片 download 下來保存到本地，方便後面合併到文章中。
import os
import dotenv
import requests
from openai import OpenAI
from state import ArticleState
# 生圖Prompt
IMAGE_PROMPT = """
你是一位資深的插畫師，擅長爲各種文章創作精美的插圖。
現在有一篇文章，具體信息如下：
主題：{topic}
標題：{title}
摘要：{summary}
請你爲該文章創造一幅插畫，展示文章所要傳達的核心內容。要求畫質精美、表達力強，且意境深遠，給人無盡回味。
特別注意：圖片中的文字全部採用英文。
"""
# 加載環境變量
dotenv.load_dotenv()
# 創建豆包Seedream客戶端
seedream = OpenAI(
base_url=os.getenv("VOLCENGINE_API_BASE"),
api_key=os.environ.get("VOLCENGINE_API_KEY"),
)
def image_node(state: ArticleState) -> ArticleState:
"""
文章插圖節點
:param state: 當前文章狀態
:return: 處理後的文章狀態
"""
# 從當前狀態中獲取所需信息
if not state["summary"]:
raise ValueError("未生成文章摘要！")
summary = state["summary"]
# 使用豆包的Seedream模型生成圖片
response = seedream.images.generate(
model="doubao-seedream-3-0-t2i-250415",
prompt=summary,
size="1024x1024",
response_format="url"
)
if len(response.data) == 0:
raise ValueError("生成圖片失敗！")
print(f"文章插圖生成成功！url: {response.data[0].url}")
# 從url下載圖片，並以png格式保存到本地
image_path = f"./{state["title"]}.png"
download_image(response.data[0].url, image_path)
# 更新狀態
state["image_path"] = image_path
print(f"文章插圖生成完成，已保存至：{image_path} ")
# 返回更新後的狀態
return state
def download_image(url: str, file_path: str) -> None:
"""
下載圖片
:param url: 圖片url
:param file_path: 圖片保存路徑
:return: None
"""
# 下載圖片
response = requests.get(url)
with open(file_path, "wb") as f:
f.write(response.content)- Workflow 編排 ==============
到現在爲止，我們所有需要的 Node 就已經開發完了，最後就是把所有的 Node 串聯成一個 Graph，用於編排我們的 Workflow 工作流。
另外，所有生成的中間結果都保持在 ArticleState 中，因此我實現了一個函數 dump_markdown ，把完整的文章以 Markdown 的格式保存到本地：
from langgraph.constants import START, END
from langgraph.graph import StateGraph
from content_node import content_node
from image_node import image_node
from state import ArticleState
from summary_node import summary_node
from title_node import title_node
def write_article(topic: str) -> ArticleState:
"""
撰寫文章
:param topic: 文章主題
:return: 最終生成的文章狀態
"""
# 創建StateGraph圖結構
sg = StateGraph(ArticleState)
# 添加節點
sg.add_node("title_node", title_node)
sg.add_node("content_node", content_node)
sg.add_node("summary_node", summary_node)
sg.add_node("image_node", image_node)
# 添加邊
sg.add_edge(START, "title_node")
sg.add_edge("title_node", "content_node")
sg.add_edge("content_node", "summary_node")
sg.add_edge("summary_node", "image_node")
sg.add_edge("image_node", END)
# 編譯生成圖
graph = sg.compile()
# 設置初始狀態
init_state = ArticleState(
topic=topic,
title="",
content="",
summary="",
image_path="",
)
# 執行Graph,返回生成的最終狀態
return graph.invoke(init_state)
def dump_markdown(state: ArticleState) -> None:
"""
將文章以Markdown格式保存到本地
:param state: 最終狀態
:return: None
"""
title = state["title"]
with open(f"./{title}.md", "w") as f:
# 寫入標題
f.write(f"# {state["title"]}\n\n")
# 寫入正文
f.write(f"{state["content"]}\n\n")
# 在末尾插入圖片
f.write(f"![{title}]({state["image_path"]})\n\n")
print(f"文章已保存至：{title}.md")
if __name__ == '__main__':
final_state = write_article("大模型底層的Transformer架構")
dump_markdown(final_state)- 效果展示 =======
到這裏，所有的代碼就開發完成了。我們以 “大模型底層的 Transformer 架構” 爲主題，生成一篇文章，實際的效果還是很好的：
這一套流程執行下來，一個能寫文章、能配插圖的智能編輯 Agent 就這樣實現了。只要你有一個 idea，指定一個主題，一篇 2000 字左右的、圖文並茂的文章分分鐘信手拈來！
我自己對 LangChain、LangGraph 框架的使用經驗比較豐富，而且作爲 Committer 也參與了一些核心功能的設計與開發。整個過程體驗下來，我最大的感受就是：在大模型時代，最核心的技能，就是對於業務需求的深入理解，以及對於複雜問題的建模與設計。有了這些能力的積累，再結合 LangGraph 這些一流的框架的賦能，Agent 開發簡直易如反掌！
本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/KHAlAnQL96mCpQegS70BqQ