核心内容摘要
创意灵感的“秘密花园”：解锁无限可能性的在线宝库
Large Language Models (LLMs)擅长推理但现实世界的应用往往需要有状态、多步骤的工作流。
这就是LangGraph的用武之地——它让你可以通过由 LLM 驱动的节点图来构建智能工作流。
但如果你想把这些工作流暴露为APIs让其他应用或用户可以调用呢这时候FastAPI就派上用场了——一个轻量级、高性能的 Python Web 框架。
在这篇指南中你将学习如何将LangGraph工作流封装在FastAPI中变成一个生产就绪的endpoint。
为什么选择 LangGraph FastAPI•LangGraph创建多步骤、有状态的 LLM 工作流例如多智能体推理、数据处理。
•FastAPI轻松将这些工作流暴露为REST APIs以便与 Web 应用、微服务或自动化流水线集成。
•结合两者构建可从任何地方访问的可扩展 AI 智能体。
项目设置创建一个新项目文件夹并安装依赖mkdir langgraph_fastapi_demo cd langgraph_fastapi_demo python -m venv .venv source .venv/bin/activate # 在 Windows 上.venv\Scripts\activate pip install fastapi uvicorn langgraph langchain-openai python-dotenv创建一个.env文件来存储你的 API 密钥OPENAI_API_KEY你的_openai_密钥_在此
构建一个简单的 LangGraph 工作流让我们构建一个简单的LangGraph它接收用户的问题并返回 AI 生成的答案。
# workflow.py from langgraph.graph import StateGraph, START, END from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage import os from dotenv import load_dotenv load_dotenv() llm ChatOpenAI(modelgpt-4o) # 可以切换到 gpt-4o-mini 以降低成本 # 定义状态 defanswer_question(state: dict) - dict: user_input state[user_input] response llm.invoke([HumanMessage(contentuser_input)]) return {answer: response.content} # 构建图 workflow StateGraph(dict) workflow.add_node(answer, answer_question) workflow.add_edge(START, answer) workflow.add_edge(answer, END) graph workflow.compile()这个图• 接收user_input• 将其发送到GPT-4o• 返回 AI 生成的响应
让它生产就绪在向全世界开放之前让我们为真实用例加固它。
错误处理与重试LLM APIs可能会失败或超时。
用try/except包装调用from tenacity import retry, wait_exponential, stop_after_attempt retry(waitwait_exponential(multiplier1, min2, max
, stopstop_after_attempt(
) def safe_invoke_llm(message): return llm.invoke([HumanMessage(contentmessage)]) def answer_question(state: dict) - dict: user_input state[user_input] try: response safe_invoke_llm(user_input) return {answer: response.content} except Exception as e: return {answer: f错误{str(e)}}输入验证我们不想让别人发送巨大的数据负载。
添加Pydantic约束from pydantic import BaseModel, constr class RequestData(BaseModel): user_input: constr(min_length1, max_length
# 限制输入大小日志记录添加日志以提高可见性import logging logging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__) def answer_question(state: dict) - dict: logger.info(f收到输入{state[user_input]}) response safe_invoke_llm(state[user_input]) logger.info(已生成 LLM 响应) return {answer: response.content}
使用 FastAPI 暴露工作流现在让我们将这个工作流封装在FastAPI中。
# main.py from fastapi import FastAPI from workflow import graph, RequestData app FastAPI() app.post(/run) async def run_workflow(data: RequestData): result graph.invoke({user_input: data.user_input}) return {result: result[answer]}运行服务器uvicorn main:app --reload
测试 API你可以使用curl测试curl -X POST http://
127.
0.
1:8000/run \ -H Content-Type: application/json \ -d {user_input:什么是 LangGraph}或者在浏览器中打开http://
127.
0.
1:8000/docs——FastAPI会自动为你生成Swagger UI这个交互式 UI 让你直接在浏览器中测试你的endpoint。
扩展与部署为生产环境做准备的几个步骤•异步执行FastAPI是异步原生的。
对于多个 LLM 调用让函数变成异步的。
•工作进程使用多进程运行以实现并发uvicorn main:app --workers 4•Docker 化FROM python:
11-slim WORKDIR /app COPY . . RUN pip install -r requirements.txt CMD [uvicorn, main:app, --host,
0.
0.
0, --port, 8000]•认证使用 API 密钥或JWT tokens来保护endpoints
分即将推出。
结论通过几个简单的步骤我们• 构建了一个LangGraph工作流• 使用FastAPI将其暴露为REST API• 添加了生产就绪的功能验证、重试、日志• 为可扩展的 AI 微服务奠定了基础这个设置可以支持从聊天机器人到文档处理器再到 AI SaaS 产品的各种应用。
想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容
学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI
100本大模型方向电子书
26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC
实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
600套技术大会 PPT听行业大咖讲实战PPT 整理自
年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌
107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自
年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析
102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑
97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”
路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。
L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、
关键技术以及大模型应用场景。
L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。
L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。
L5阶段专题集丨特训篇 【录播课】