LangGraph实战：构建智能文本分析流水线

LangGraph实战：构建智能文本分析流水线 1. 智能文本分析

LangGraph是基于图结构的工作流开发框架，通过节点函数和条件流转实现复杂业务逻辑。四大核心能力：

1.1 状态容器 统一管理流程执行上下文，支持JSON序列化存储

1.2 智能路由 基于条件判断实现动态分支跳转

1.3 可视化调试 自动生成Mermaid流程图，直观展示业务流程

1.4 持久化存储 支持流程状态的保存与恢复

根据自身业务自定义文本数据处理流程：

2. 环境准备 2.1 安装依赖库 !pip install langgraph langchain langchain-openai python-dotenv 2.2 配置API密钥 import os from dotenv import load_dotenv load_dotenv() os.environ["OPENAI_API_KEY"] = os.getenv('OPENAI_API_KEY') # 从.env加载密钥 3. 构建文本处理流水线

本案例实现文本分类->实体抽取->摘要生成的三步流水线

3.1 状态容器定义 from typing import TypedDict, List class ProcessState(TypedDict): raw_text: str # 原始文本 category: str # 分类结果 entities: List[str] # 实体列表 summary: str # 摘要结果 3.2 初始化大模型 from langchain_openai import ChatOpenAI #llm = ChatOpenAI(model="gpt-4-mini", temperature=0) # 这里把gpt替换成deepseek llm = ChatOpenAI( base_url=" api.deepseek /v1", # DeepSeek API端点 model="deepseek-chat", # DeepSeek模型标识 openai_api_key="sk-eddxxxxxxxxxxxxxxxxxxxx", # 替换为DeepSeek密钥 max_tokens=1000