准备环境：你需要装什么？

在开始之前，先了解三个核心工具：

• LangChain：一个帮你快速调用 AI 模型的 Python 库，相当于给 AI 发指令的“翻译官”。
• LangGraph：管理多个 AI 协作流程的库，像“交通指挥员”，确保任务按顺序执行。
• Groq：提供 AI 模型算力的服务，速度快，适合新手。

你需要先安装 Python（推荐 3.9 以上版本）和 Node.js（用于前端）。打开终端（Mac 或 Linux 用户）或命令提示符（Windows 用户），依次执行以下命令：

1. 安装 Python 库：pip install langchain langgraph groq
2. 安装 FastAPI 后端：pip install fastapi uvicorn
3. 安装前端框架（Next.js）：npx create-next-app@latest my-ai-app

如果你遇到“pip 不是命令”的错误，说明 Python 没有正确安装，请重新安装并勾选“Add Python to PATH”。

搭建你的第一个多智能体工作流

我们将创建一个由三个 AI 角色组成的流水线：研究员（Researcher）、写手（Writer）和编辑（Editor）。每个角色只做一件事，结果传给下一个。

1. 创建一个 Python 文件 workflow.py。
2. 导入库并设置 Groq 的 API 密钥（去 Groq 官网注册免费获取）：
   from langchain_groq import ChatGroq
llm = ChatGroq(api_key='你的密钥', model='mixtral-8x7b-32768')
3. 定义三个智能体函数，每个函数调用同一个 llm 但用不同的提示词。例如研究员：
   def researcher(topic):
prompt = f"请搜索关于{topic}的最新信息，用中文列出要点。"
return llm.invoke(prompt).content
4. 用 LangGraph 的 StateGraph 连接它们：
   from langgraph.graph import StateGraph
graph = StateGraph()
graph.add_node('researcher', researcher)
graph.add_node('writer', writer)
graph.add_node('editor', editor)
graph.add_edge('researcher', 'writer')
graph.add_edge('writer', 'editor')
graph.set_entry_point('researcher')
app = graph.compile()
5. 运行工作流：result = app.invoke('人工智能入门')
print(result)

常见问题：如果报错“ModuleNotFoundError: No module named 'langgraph'”，说明安装失败，重新执行 pip install langgraph。

验证是否成功

运行上面的代码后，如果你看到三段连贯的文字（研究员输出 → 写手改写 → 编辑润色），说明工作流跑通了！

如果出现 CORS 错误（前端无法访问后端），通常是后端允许的域名写错了。检查你的 FastAPI 代码中 origins 列表，去掉末尾多余的斜杠，例如将 https://myapp.vercel.app/ 改为 https://myapp.vercel.app。

下一步可以做什么

• 尝试修改提示词，让智能体做不同任务（比如翻译、总结）。
• 把结果输出到网页：用 FastAPI 写一个 API 接口，前端用 Next.js 调用。
• 遇到报错不要慌，大多数都是简单的拼写或版本问题，去官方文档搜索最新语法。