大模型落地，要么做workflow、要么做agent，而无论哪一种，全都离不开框架。

而毫无疑问，LangGraph 是构建Agent 系统的最主流框架之一。

它不仅支持循环、条件分支，能处理复杂流程；对应用流程和状态有细粒度控制；有内置持久性功能，跨交互保持上下文；支持人工干预；还能实时流输出数据……堪称Multi-Agent系统的框架最优解。

但是，作为新事物，LangGraph也有不小问题，比如：官方的文档变更频繁，学习曲线较高，对新手并不算友好。

而对大部分开发者来说，做agent没那么难，难的是，如何从0到1做个细分领域能用的小应用，解决启动问题。

那不妨试试 langgraph-up-react，这一套 LangGraph 模板，不仅完美解决以上问题，而且更适合中国用户的开发环境。

以下是基于LangGraph 做一个ReAct Agent的手把手教程。

01 ReAct Agent 解读

ReAct（Reason + Act） 框架诞生于谷歌 2022 年的论文《ReAct: Synergizing Reasoning and Acting in Language Models》。

其意义在于，结合了 Chain of Thought（CoT，思维链，擅长推理，但无法与外部环境交互）以及传统强化学习 Agent（擅长环境交互，但缺乏逻辑规划）两者之所长，让 agent 像人类一样，通过 “分析问题（思考）→ 与环境交互（行动）→ 获取反馈（观察）” 的动态循环解决问题。

其核心模块有三：

• Reason（推理）：借鉴 CoT“Chain-of-Thought（思维链）”，让模型先自我拆解、自我提问的方式地分析问题。此外，这个模块的核心能力是上下文理解、策略规划，更重要的是，它还能根据反馈的信息对错误内容进行纠正，对行为做策略进行调整。

• Act（行动）：根据推理结果，调用工具执行操作（如 API、数据库、计算器、搜索）。

• Observation（观察）：查看行动结果，进入下一轮推理或行动。核心能力在于结果的收集与分析，以及信息的过滤提取。

现如今，ReAct 已成为智能体（如 ChatGPT 插件、机器人控制、智能助手）的核心底层架构之一，广泛应用于需要动态交互的真实场景。

02 LangGraph 解读

2.1 LangGraph 解决了什么问题？

传统的 AI 模型不能维持这种多步骤的连续推理过程，每次对话都是独立的，不能记住之前的处理结果，也不能基于中间结果动态调整后续步骤。

LangGraph 正是为了解决这个问题而生。它能将复杂任务分解成多个步骤，记住每个步骤的结果，并根据情况灵活调整执行路径，最终完成整个任务链条。

2.2 LangGraph 的核心机制

LangGraph 把 AI 的思考过程变成了一个流程图：

每个步骤是一个节点，箭头是路径。AI 可以：

• 记住每个步骤的结果

• 决定下一步该做什么

• 调用各种外部工具

• 循环处理直到完成任务

这就是为什么叫 LangGraph：Lang（语言）+ Graph（图）= 用图结构组织语言 AI 的思考流程。

03 langgraph-up-react 解读

LangGraph 虽好，但熟练掌握状态管理、节点设计、边控制、错误处理等细节需大量精力；模型接入、工具集成、环境配置等基础工作需从零开始，还可能遇兼容性问题。

尤其多步骤流程出错时，问题定位难度大（可能出现在任一节点或状态转换）；且业务需求变化会导致代码结构复杂化，功能修改与扩展成本剧增。

因此，我们需要一套成熟的 LangGraph 模板：开发者只需下载代码、配置 API 密钥，即可快速启动完整 AI Agent 系统。

这类模板集成经大量项目验证的架构设计与代码规范，规避常见设计陷阱；预置工具、测试用例及部署脚本，可避免重复造轮子，让开发者专注业务逻辑实现。

而 langgraph-up-react 是专为国内开发者打造的 LangGraph 模板，核心特性如下：

• 🇨🇳 国内模型优先：深度集成通义千问、DeepSeek、智谱 AI 等

• 🔧 完整 MCP 工具生态：内置丰富 MCP 工具与适配器

• ⚡ 开箱即用：简化配置流程，5 分钟快速启动

• 🧪 完善测试：提供全面单元测试与集成测试

04 启动模板

1.环境依赖安装

curl -LsSf https://astral.sh/uv/install.sh | sh

2.下载项目到本地

git clone https://github.com/webup/langgraph-up-react.git
cd langgraph-up-react

3.安装项目依赖

uv sync --dev

4.配置项目环境

4.1 创建 .
env
 文件

cp .env.example .env

4.2 填写 API-KEY

# Web 搜索功能（必需）
TAVILY_API_KEY=your-tavily-api-key
# 模型提供商（至少选择一个）
DASHSCOPE_API_KEY=your-dashscope-api-key  # 千问模型（默认推荐）
OPENAI_API_KEY=your-openai-api-key  # OpenAI 或兼容平台
# OPENAI_API_BASE=https://your-api-endpoint  # OpenAI 兼容平台需设置
# 可选：模型供应商的区域支持
REGION=prc  # 中国大陆地区
# 可选：启用文档工具
ENABLE_DEEPWIKI=true

4.3 启动项目

# 启动开发服务器（不带界面）
make dev
# 启动带 LangGraph Studio UI 的开发服务器
make dev_ui

4.4 访问环境

05 模板使用场景示例

5.1 企业知识库智能问答（Agentic RAG）

构建企业内部文档的智能问答系统。系统将公司的技术文档、产品手册、FAQ 等内容向量化存储到 Milvus 数据库中，当员工提问时，Agent 会自动检索相关文档片段，并结合上下文生成准确答案。

提示：在实际应用中，需要根据数据规模选择合适的 Milvus 版本：小规模数据使用 Milvus Lite，中等规模使用 Standalone 版本，大规模数据则选择分布式部署。同时要优化 Milvus 的索引配置，合理设置 HNSW 参数以平衡检索精度和性能。建立完整的监控体系，实时跟踪向量检索的响应时间和准确率，确保系统稳定运行。

5.2 多智能体协作系统

构建多个专业 Agent 协同工作的系统，比如软件开发助手。产品经理 Agent 负责需求分析，架构师 Agent 设计技术方案，开发 Agent 编写代码，测试 Agent 进行质量检查。

具体教程，敬请期待本系列第三篇文章。