从零开始:前端转型AI agent直到就业第十四天-第十七天

前言

随着AI技术的飞速发展，前端开发领域受到了前所未有的冲击。许多传统的前端工作已经被AI自动化工具所取代，特别是在常规的页面布局和交互设计方面。对于拥有多年前端经验的开发者来说，如何在新的技术浪潮中找到自己的位置，成为了一个亟待解决的问题。本文将分享一位资深前端开发者在失业期间，通过自学AI技术，成功转型为AI Agent开发者的经历和心得。

心路历程

最近，这位开发者完成了对LangChain和LangGraph相关知识点的学习，并准备进入实战阶段。虽然这段时间减少了锻炼，但他意识到身体健康的重要性，计划在接下来的日子里恢复锻炼。他希望通过自己的努力，能够产出一个有价值的智能体项目，并与大家分享项目回顾和总结。

此外，他在学习过程中遇到了一些挑战，特别是如何提高专注力。有时候，学习概念知识时容易分心，尤其是在没有实际编程操作的情况下。为了克服这一问题，他尝试了多种方法，包括定期休息、整理知识文档和阅读伟人的名言，以激励自己继续前进。

时间分配

最近的学习时间安排并不十分规律。早晨有时会晚起，花时间查看股票市场，休息时间也有所增加。尽管如此，他依然坚持每天投入一定的时间进行技术学习。为了更好地管理时间，他建议制定详细的学习计划，并严格执行，以确保学习效果。

知识总结

LangGraph 基础概念

一句话理解 LangGraph

> LangGraph = LangChain 的“图级编排器”
> 把线性流水线变成地铁网，支持分支、循环、回退和模块化。

生活比喻：

• LangChain 像流水线：A→B→C，顺序固定
• LangGraph 像地铁图：可分支、循环、折返、换乘

核心四要素

基本连接LLM代码

from typing import TypedDict, Annotated, List
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(encoding='utf-8')

# 关键：Annotated + add_messages 实现消息追加而非覆盖
class StateObj(TypedDict):
    messages: Annotated[List, add_messages]

llm = init_chat_model(
    model="qwen-plus",
    model_provider="openai",
    api_key=os.getenv("aliQwen-api"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 关键：每个节点接收当前状态，返回部分更新
def modelCb(state: StateObj) -> StateObj:
    reply = llm.invoke(state["messages"])
    state["messages"].append({"role": "assistant", "content": reply})
    return state

代码解释

1. 定义状态（State）：

   • 使用 TypedDict 和 Annotated 来定义状态对象 StateObj，其中 messages 是一个列表，用于存储对话消息。
   • add_messages 函数确保消息列表在传递过程中不会被覆盖，而是追加新消息。

2. 初始化大模型：

   • 使用 init_chat_model 函数初始化一个大模型实例 llm，指定模型名称、提供商、API密钥和基础URL。
   • 通过 os.getenv 从环境变量中读取API密钥，确保安全性。

3. 定义节点函数：

   • modelCb 函数接收当前状态 state，调用大模型的 invoke 方法生成回复。
   • 将生成的回复添加到 messages 列表中，并返回更新后的状态对象。

总结

通过本文的分享，希望读者能够对从零开始构建AI Agent的过程有一个清晰的认识。无论是前端开发者还是其他领域的技术人员，都可以借鉴这位开发者的经验和方法，逐步掌握AI技术，实现职业转型。建议在学习过程中注重理论与实践相结合，合理安排时间，保持良好的生活习惯，不断提升自己的技术水平和竞争力。

4. 构建图

graph = StateGraph(StateObj)           # 创建图，绑定状态类型
graph.add_node("model", modelCb)       # 添加节点
graph.add_edge(START, "model")         # 起点 → 模型节点
graph.add_edge("model", END)           # 模型节点 → 终点

在这段代码中，我们首先创建了一个 StateGraph 实例，并绑定了状态类型 StateObj。然后，我们添加了一个名为 "model" 的节点，并定义了从起点 START 到该节点以及从该节点到终点 END 的边。这一步骤构建了图的基本结构，为后续的编译和运行奠定了基础。

5. 编译运行

app = graph.compile()
result = app.invoke({"messages": "请简单说明一下LangGraph的运作流程"})
print(result["messages"][-1].content)

通过调用 graph.compile() 方法，我们将图编译成一个可执行的 Runnable 对象 app。接着，我们使用 app.invoke() 方法传递初始状态，并获取最终结果。这里，我们传递了一个包含消息的字典，并打印出最后一条消息的内容。这一步骤展示了如何实际运行图结构并获取结果。

6. 可视化图结构

1. 打印图的ASCII可视化结构

print(app.get_graph().print_ascii())
print("="*50)

通过 app.get_graph().print_ascii() 方法，我们可以以 ASCII 形式打印图的结构。这对于调试和理解图的拓扑结构非常有帮助。打印结果将以文本形式展示节点和边的关系，便于快速查看。

2. 打印图的Mermaid代码可视化结构

print(app.get_graph().draw_mermaid())

app.get_graph().draw_mermaid() 方法生成图的 Mermaid 代码，可以通过在线工具如 ProcessOn 的 Mermaid 编辑器进行可视化。这种方法提供了更直观的图形展示，有助于更好地理解和分享图结构。

代码中的三个关键机制

1. Annotated[List, add_messages]

• 作用： 告诉 LangGraph 新消息追加到列表末尾，而不是覆盖。
• 不加的话： 每次返回 {"messages": [reply]} 会丢掉之前的对话历史。

通过使用 Annotated[List, add_messages]，我们可以确保每次返回的消息都会被追加到现有列表中，而不是覆盖原有的对话历史。这对于维护连续的对话上下文非常重要。

2. 节点函数只返回部分状态

• 作用： LangGraph 自动将返回值合并到当前状态。
• 好处： 不需要返回整个 StateObj，极大简化代码。

节点函数只需返回需要更新的部分状态，LangGraph 会自动将其合并到当前状态对象中。这种方式不仅简化了代码，还提高了代码的可读性和维护性。

3. graph.compile() 的作用

• 作用： 验证图结构（无孤立节点、无不可达节点、无非法循环）。
• 生成： 可执行的 Runnable 对象。
• 准备： 为后续扩展（如检查点、中断等）做准备。

graph.compile() 方法不仅验证图的结构是否正确，还生成一个可执行的 Runnable 对象。此外，它还为后续的功能扩展（如检查点、中断等）做好了准备，确保图在复杂场景下的稳定性和可靠性。

LangGraph 的重要特性

1. 条件分支（Conditional Edges）

• 作用： 根据当前状态选择不同路径。
• 代码示例：

def route(state):
    if state["need_human"]:
        return "human_node"
    return "model_node"

graph.add_conditional_edges("model", route, {"human_node": "human", "model_node": "model"})

• 生活比喻： 地铁到站后，根据乘客目的地决定换乘哪条线。

条件分支允许我们在图中根据当前状态动态选择不同的路径，增加了图的灵活性和适应性。

2. 循环（Cycles）

• 作用： 边可以指回之前的节点，形成循环。
• 典型场景： 信息不足时重复搜索，直到条件满足。
• 生活比喻： 坐错站了，坐回头车回到上一站。

循环结构使得图可以在某些条件下反复执行特定的节点，直到满足预定的条件，适用于需要多次迭代的场景。

3. 持久化与断点续跑（Persistence & Interrupt）

• 作用： 使用 checkpointer 保存状态，程序重启后可恢复。
• 代码示例：

from langgraph.checkpoint import MemorySaver
app = graph.compile(checkpointer=MemorySaver())

• 生活比喻： 游戏存档，退出后能接着玩。

持久化功能允许我们在程序中断后恢复到之前的状态，确保长时间运行的任务不会因意外中断而丢失进度。

4. 人机协作（Human-in-the-Loop）

• 作用： 图中插入人工节点，interrupt 暂停等待人工输入。
• 典型场景： AI 生成内容后人工审核、敏感操作前人工确认。
• 生活比喻： 自动驾驶遇到复杂路口，让司机接管一下。

人机协作功能使得图可以在需要人工干预的节点暂停执行，等待人工输入后再继续，适用于需要人工审核或确认的场景。

5. 子图（Subgraphs）

• 作用： 一个节点可以是另一个完整的 StateGraph。
• 好处： 模块化、可复用、独立测试。
• 生活比喻： 地铁环线本身是一个完整的图，可以被嵌入全市地铁网。

子图功能允许我们将复杂的图结构分解为多个独立的子图，提高代码的模块化和可复用性，同时也方便独立测试和维护。

6. 时间旅行（Time Travel）

• 作用： 回退到历史某个状态重新执行。
• 生活比喻： 游戏中的“读档”功能。

时间旅行功能使得我们可以在图的执行过程中回退到历史状态，重新执行某些步骤，适用于需要调试或纠正错误的场景。

7. 多智能体协作（Multi-Agent）

• 作用： 多个 Agent 节点在同一图中分工、协调、竞争。
• 架构模式： 网络式、层级式、监督式等。

多智能体协作功能支持多个 Agent 节点在同一图中协同工作，适用于需要多个智能体共同完成任务的复杂场景。

8. 可观测性（Observability）

• 作用： get_graph().print_ascii() 直接打印执行路径。
• 好处： 清晰看到 Agent 的决策路径，快速定位问题。
• 生活比喻： 地铁线路图贴在墙上，永远不会迷路。

可观测性功能使得我们能够清晰地看到图的执行路径和决策过程，有助于快速定位和解决问题，提高系统的透明度和可维护性。

适用场景速查

总结

State 是灵魂，Node 是手脚，Edge 是路线，Graph 是地图。
LangGraph 的核心价值在于：把 AI 工作流从线性锁链变成可控的网络，让你能自由实现分支、循环、持久化、人机协作、模块化复用等复杂逻辑。

目标

成为 AI Agent 工程师并且就业。

帮助

感谢大家的关注和支持，你们的鼓励是我前进的动力。希望未来有机会能与各位技术大牛合作，共同成长。