LangGraph集成DeepSeek实现AI对话

本文介绍如何使用AI开源框架 LangGraph，集成调用DeepSeek大模型，实现AI对话功能，并给出Python示例代码。

一、LangGrap是什么

LangGrap：LangGrap是一个用于构建可控代理的低级编排框架。langchain 提供集成和可组合组件来简化 LLM 应用程序开发，而 LangGraph 库则支持代理编排，提供可定制的架构、长期内存和人机协同功能，以可靠地处理复杂任务。LangGraph 专为希望构建功能强大、适应性强的 AI 代理的开发人员而构建。虽然 LangGraph 可以独立使用，但它也可以与任何 LangChain 产品无缝集成，为开发人员提供一整套用于构建代理的工具。

二、前提条件

 1、Python运行环境安装。建议使用Python3.10以上版本，本示例使用了 Python 3.12.9版本。

2、Python开发工具安装。本人是vue\Java\python多种语言开发，所以使用了 IntelliJ IDEA开发工具。读者可以根据个人习惯选择合适的Python开发工具，比如：PyCharm、VS Code。

3、注册DeepSeek，获得api_key。访问deepseek的AI开放平台完成注册：https://platform.deepseek.com。 

三、代码实现

1、创建python工程

首先，通过开发工具创建一个python工程。这一步很简单，不再描述。

接着，激活虚拟环境。在项目根目录下，并通过以下命令创建并激活虚拟环境：

python -m venv venv   #有的环境下命令是python3或者py

.\venv\Scripts\activate  #windows下的激活命令

注意：如果是通过IDEA工具创建的Python工程，默认会创建并激活venv虚拟环境，就不再需要手动创建了。

2、pip安装依赖包

本示例使用LangGraph和DeepSeek，所以需要先安装这两个依赖包。

在虚拟环境命令窗口执行：

pip install -U langgraph

pip install -U langchain-deepseek

3、开发python代码

通过Python开发工具，创建一个python文件，命名为langgraph-deepseek.py。源代码如下：

from typing import Annotated
from langchain_deepseek import ChatDeepSeek
from typing_extensions import TypedDict

from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages

class State(TypedDict):
    messages: Annotated[list, add_messages]

# 初始化状态图
graph_builder = StateGraph(State)

# 初始化 DeepSeek 大模型客户端
llm = ChatDeepSeek(
    model="deepseek-chat",  # 指定 DeepSeek 的模型名称
    api_key="sk-e508ba61639640848060a1a2c1ee7b17"  # 替换为您自己的 DeepSeek API 密钥
)

def chatbot(state: State):
    # 调用 DeepSeek 大模型生成回复
    return {"messages": [llm.invoke(state["messages"])]}

# 添加节点到状态图
graph_builder.add_node("chatbot", chatbot)
graph_builder.set_entry_point("chatbot")  # 设置入口点
graph_builder.set_finish_point("chatbot")  # 设置结束点

# 编译状态图
graph = graph_builder.compile()

def stream_graph_updates(user_input: str):
    # 构造对话历史，包含系统提示词和用户输入
    messages = [
        {"role": "system", "content": "你是一个有创意的助手，擅长根据用户问题提供有趣且相关的内容。输出内容长度不超过100个字。"},
        {"role": "user", "content": user_input},
    ]

    # 流式输出模型生成的回复
    for event in graph.stream({"messages": messages}):
        for value in event.values():
            print("Assistant:", value["messages"][-1].content)

while True:
    try:
        # 获取用户输入
        user_input = input("User: ")
        if user_input.lower() in ["quit", "exit", "q"]:
            print("Goodbye!")
            break

        # 调用流式更新函数
        stream_graph_updates(user_input)
    except Exception as e:
        # 捕获异常并提供默认输入
        print("发生错误，尝试默认问题...")
        user_input = "What do you know about LangGraph?"
        print("User: " + user_input)
        stream_graph_updates(user_input)
        break

四、测试运行

运行该python文件，进行AI对话：