langgraph-101是 LangChain 官方出品的 LangGraph 实战教程仓库，包含从"第一次调用大模型"到"多 Agent 协作"的完整 Notebook 课程，以及一套可直接在 LangGraph Studio 中调试的示例 Agent。本教程将带你用 5 个步骤，在本地快速搭建环境并跑通你的第一个 AI Agent，全程只需几条命令。

这个仓库里有什么？

仓库分为两条学习路线：

其中 agents/101/agent.py 是一个带天气查询、用户偏好、电影推荐三个工具的入门级 Agent，也就是我们本教程要跑通的目标。

第 1 步：克隆 langgraph-101 仓库

打开终端，执行以下命令：

git clone https://gitcode.com/gh_mirrors/la/langgraph-101 cd langgraph-101

克隆完成后，目录结构一目了然：notebooks/存放教程 Notebook，agents/存放可运行的 Agent，utils/ 存放集中式的模型配置，langgraph.json 则是langgraph dev的 Agent 注册表。

第 2 步：配置 .env 环境变量

仓库提供了现成的环境变量模板，一键复制即可：

cp .env.example .env

然后打开.env文件，填入你使用的大模型服务商 API Key。模板来自 .env.example，默认示例是 OpenAI，同时预留了 Anthropic、Azure OpenAI、AWS Bedrock、Google Vertex 的注释段：

OPENAI_API_KEY="<your-api-key>" LANGSMITH_TRACING="true" LANGSMITH_PROJECT="langgraph-101"

💡 LangSmith 相关配置是可选的，开启后可以追踪 Agent 的每一步执行轨迹，对新手排错非常友好。

模型本身在 utils/models.py 中集中配置，切换服务商时只需修改这一个文件，所有 Notebook 和 Agent 自动生效。

第 3 步：用 uv 一键安装依赖

项目要求Python ≥ 3.11（见 pyproject.toml），依赖通过uv管理。如果你还没装过 uv：

pip install uv

接着在项目根目录执行：

# 安装全部依赖（langchain、langgraph、langgraph-cli 等） uv sync # 激活虚拟环境 source .venv/bin/activate

这一步会安装langchain>=1.3.10、langgraph>=1.0.1、langgraph-cli等核心包，装完后langgraph命令即可直接使用。

第 4 步：跑通第一个 AI Agent（Notebook）

推荐的学习入口是 notebooks/101/101_langchain_langgraph.ipynb，它会手把手带你走完构建 Agent 的核心概念：

1. Part 1：第一次 LLM 调用 —— 用model.invoke()获得回复
2. Part 2：理解消息 ——SystemMessage、HumanMessage、AIMessage与多轮对话
3. Part 3：给 Agent 装上工具（Tool）
4. Part 4：记忆（Memory）与流式输出（Streaming）

Agent 的本质就是图中这个"思考—调用工具—观察结果"的 ReAct 循环，LangGraph 正是让这条循环变得可控的框架：

⚠️ 注意：Notebook 会自动把项目根目录加入 Python 路径，因此无论在哪个子目录下运行，from utils.models import model都能正常导入。

第 5 步：langgraph dev 启动 LangGraph Studio 调试

跑完 Notebook 后，真正的好戏才刚开始。在项目根目录执行：

langgraph dev

这一条命令会同时给你三样东西：

• 本地 API 服务（默认http://localhost:2024）
• LangGraph Studio 可视化调试界面（命令输出中会自动给出链接）
• 开发热重载——改代码即生效，无需重启

启动后，Studio 左侧会列出 langgraph.json 中注册的全部 Agent，包括我们第 4 步对应的"101 Weather Agent"、邮件 Agent、音乐商店多 Agent 系统和深度研究 Agent。点开 "101 Weather Agent"，输入一句"帮我查一下北京的天气"，就能在右侧看到完整的推理轨迹：

• 模型如何决定调用get_weather工具
• 工具返回了什么数据
• 最终回答如何生成

多轮对话、状态变化、每步的中间输出都清晰可见，这正是用 Studio 调试 Agent 的最大价值——你能看到 Agent "怎么想的"，而不只是"说了什么"：

📌 想让 Agent 更强大？修改 agents/101/agent.py 中的工具列表或system_prompt，热重载后在 Studio 中立即生效。

跑通之后的进阶路线

当你的第一个 Agent 在 Studio 里顺利对话之后，可以沿着仓库的推荐路径继续：

1. notebooks/101/102_middleware.ipynb—— 中间件与 Human-in-the-Loop 模式
2. notebooks/201/email_agent.ipynb—— 有状态的邮件分诊与回复 Agent
3. notebooks/201/multi_agent.ipynb—— Supervisor + 子 Agent 的多 Agent 系统，整体架构如下：

4. agents/deep_agent/—— 带技能（Skills）、长期记忆与人工审批的 DeepAgents 深度研究 Agent

常见问题速查

小结

到这里，你已经完成了完整的闭环：克隆 → 配置 → 安装 → Notebook 上手 → Studio 调试。整个过程用到的核心命令只有 5 条：

git clone https://gitcode.com/gh_mirrors/la/langgraph-101 cd langgraph-101 && cp .env.example .env pip install uv && uv sync source .venv/bin/activate langgraph dev

langgraph-101 的价值在于它把 LangGraph 的全部核心概念——Agent、工具、记忆、中间件、多 Agent 协作——都拆成了可以逐步运行的最小示例。跟着 README.md 的学习路线走，你很快就会从"跑通第一个 Agent"进阶到"设计自己的多 Agent 系统"。