About Dive Into Langgraph Plus
Dive Into Langgraph Plus is an MCP server published by LarryLi93 in the Developer Tools category: langgraph V1 入门+进阶教程.
The repository has 114 stars and 5 forks, with the last commit 9 months ago. Six months or more without a commit doesn't mean the server is broken, but check the open issues before depending on it in production.
Install
git clone https://github.com/LarryLi93/dive-into-langgraph-plusThis server has no ConduID identity, so agent calls to it are not receipted. Pin the version you install and review the source before granting it credentials.
Ask AI
Ask AI about Dive Into Langgraph Plus
Powered by Claude · Grounded in docs
Security checks
Static checks derived from the repository 5 days ago. Heuristics on the source, not an audit.
- ✓README presentThe repository ships documentation.
- ✓License declaredUsable under a stated license.
- ✓Tests presentA test suite exists in the repository.
- !Dependencies pinnedNo lockfile. Installs can pull different code over time.
- ✓No dynamic code executionSource scan found no eval, dynamic Function, or shell execution.
- !Scoped permissionsDoesn't declare a permission scope. Assume it can do anything its process can.
README
中文 | English
一、项目介绍
2025 年 10 月中旬，LangGraph 发布 1.0 版本。开发团队承诺这是一个稳定版本，预计未来接口不会大改，因此现在正是学习它的好时机。
这是一个开源教程项目，旨在帮助 Agent 开发者快速掌握 LangGraph 框架。LangGraph 是由 LangChain 团队开发的开源智能体框架。它功能强大，你要的记忆、MCP、护栏、状态管理、多智能体它全都有。LangGraph 通常与 LangChain 一起使用：LangChain 提供基础组件和工具，LangGraph 负责工作流和状态管理。因此，两个库都需要学习。为了让大家快速入门，本教程将两个库的主要功能提取出来，分成 14 个章节进行介绍。
[!NOTE]
前提：本项目默认你已完成AI核心知识的学习，若没有。 请移步到项目《AI Core Knowledge》进行学习。
二、安装依赖
pip install -r requirements.txt
以下为 requirements.txt 中的依赖包清单：
pydantic==2.12.5
python-dotenv==1.2.1
langchain[openai]==1.1.2
langchain-community==0.4.1
langchain-mcp-adapters==0.2.1
langchain-text-splitters==1.1.0
langgraph==1.0.4
langgraph-cli[inmem]==0.4.7
langgraph-supervisor==0.0.31
langgraph-checkpoint-sqlite==3.0.0
langmem==0.0.30
ipynbname==2025.8.0.0
fastmcp==2.13.3
beautifulsoup4==4.14.3
grandalf==0.8
mystmd==1.7.0
faiss-cpu==1.13.1
langchain_milvus==0.3.1
dashscope==1.25.4
openai>=1.0.0
aiohttp>=3.0.0
三、章节目录
本教程的内容速览：
| 序号 | 章节 | 主要内容 |
|---|---|---|
| 0 | AI框架详解 | 介绍当下主流的AI框架及其特点 |
| 1 | 快速入门 | 创建你的第一个 ReAct Agent |
| 2 | 状态图 | 使用 StateGraph 创建工作流 |
| 3 | 中间件 | 使用自定义中间件实现四个功能：预算控制、消息截断、敏感词过滤、PII 检测 |
| 4 | 人机交互 | 使用内置的 HITL 中间件实现人机交互 |
| 5 | 记忆 | 创建短期记忆、长期记忆 |
| 6 | 上下文工程 | 使用 State、Store、Runtime 管理上下文 |
| 7 | MCP Server | 创建 MCP Server 并接入 LangGraph |
| 8 | 监督者模式 | 两种方法实现监督者模式：tool-calling、langgraph-supervisor |
| 9 | 并行 | 如何实现并行：节点并行、Map-reduce |
| 10 | Deep Agents | 简单介绍 Deep Agents |
| 11 | 调试页面 | 介绍 langgraph-cli 提供的调试页面 |
| 12 | 开发案例 | 介绍 常见的核心开发案例 |
| 13 | 商业案例 | 介绍 常见的商业案例 |
四、开发案例
开发案例
| 开发案例 | 功能简介 | 核心内容 |
|---|---|---|
| 多意图智能体 (Multi Intention Agent) | 根据大模型对用户问题进行意图识别与分类，自动选择对应的处理流程并生成相应输出。 | 意图路由 (route_by_intention) |
| 知识智能体(内存版) (Agent RAG) | 将知识文档嵌入内存向量数据库，构建RAG系统，并通过智能体实现检索与问答。 | 百练嵌入模型 (DashScopeEmbeddings) 内存向量数据库 (InMemoryVectorStore) 相似向量检索 (similarity_search) |
| 知识智能体(权限过滤版) (Auth Agent RAG) | 将知识文档嵌入内存向量数据库，将对应权限写入元数据，构建RAG系统，并通过智能体实现检索与权限过滤的问答。 | 自定义过滤 (filter_func) 元数据 (metadata) |
| 知识智能体(向量数据库版) (DB Agent RAG) | 基于 12.3 实现，将知识文档嵌入远程向量数据库，构建RAG系统，并通过智能体实现检索与权限过滤的问答。 | 向量数据库 (Qdrant) |
| 知识智能体(重排版) (DB Agent RAG Rerank) | 在向量数据库版基础上，实现检索结果的重排，提升回答相关性。 | 重排模型 (BAAI/bge-reranker-v2-m3) |
| 检索增强知识库智能体 (Enhance Agent RAG) | 集成常用检索优化策略的高阶RAG智能体，通过多路径检索、阈值过滤、重排序等技术，提升回答的准确性与可靠性。 | 检索优化策略 (enhance) |
| 高级知识库智能体 (Senior Agentic RAG) | 智能体引入自主决策、编排、推理，实现了更强大和灵活的检索。 | Agentic RAG (route_by_intention) |
| 多模态文档预处理 (Multi Modal Preprocessing) | 支持对多种格式文档（如PDF、Markdown、TXT、Excel、Image、Video）的预处理，包括文本提取、图像识别、视频分析等。 | 多模态文档处理 |
| 知识图谱智能体(Neo4j版) (Graph RAG Agent) | 将知识文档嵌入知识图谱，构建基于图结构的RAG系统，并通过智能体实现检索与问答。 | 知识图谱 (rag) |
| 知识图谱智能体(Graphiti+Neo4j版) (AI Graph RAG Agent) | 将知识文档嵌入知识图谱，构建基于图结构的RAG系统，并通过智能体实现检索与问答。 | 知识图谱 (rag) |
| 深度研究智能体 (DeepAgents) | 基于知识图谱的RAG系统，通过多智能体协作实现深度研究与问答。 | 多智能体协作 子智能体分工 文件系统工具集成 网络搜索 研究计划自动生成 结构化研究报告输出 |
| Text2Image-MCP (Z-Image文生图) | 基于 Z-Image 模型，将文本描述转换为图像，封装为MCP工具（供Agent调用）。 | 文本到图像 (text2image) |
| 代码执行器-MCP (Code Execution) | 基于MCP工具，执行用户输入的Python代码，并返回运算结果。 | 代码执行 (code_execution) |
未出现在上述章节但比较重要的代码，我放在仓库的 tests 目录下：
| 代码 | 说明 |
|---|---|
| /tests/test_rag.py | 使用 RAG 将本地文档片段注入智能体 |
| /tests/test_langmem.py | 使用 LangMem 管理智能体长期记忆 |
| /tests/test_store.py | 使用 RedisStore 快速读写长期记忆 |
| /tests/test_router.py | 实现一个简单的智能体路由 |
[!NOTE]
承诺：本教程完全基于 LangGraph v1 编写，不含任何 v0.6 的历史残留。
五、调试页面
langgraph-cli 提供了一个可快速启动的调试页面。
langgraph dev
详见 第11章
六、延伸阅读
官方文档：
官方教程：
七、如何贡献
我们欢迎任何形式的贡献！
- 🐛 报告 Bug - 发现问题请提交 Issue
- 💡 功能建议 - 有好想法就告诉我们
- 📝 内容完善 - 帮助改进教程内容
- 🔧 代码优化 - 提交 Pull Request
八、开源协议
本作品采用 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议 进行许可。
README fetched from the repository 5 days ago. The original is authoritative.