跳至主要內容

FastAPI + LangGraph搭建 AI 工作流

SecCMD2025/11/28大约 4 分钟

FastAPI + LangGraph搭建 AI 工作流

AI大模型观察站**
查看原文

作者 AI研究生

AI大模型观察站

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。

1. 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_demopython -m venv .venvsource .venv/bin/activate  
# 在 Windows 上：.venv\Scripts\activatepip 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

2. 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.pyfrom langgraph.graph import StateGraph, START, ENDfrom langchain_openai import ChatOpenAIfrom langchain_core.messages import HumanMessageimport osfrom dotenv import load_dotenvload_dotenv()llm = ChatOpenAI(model="gpt-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(content=user_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

3. 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(wait=wait_exponential(multiplier=1, min=2, max=10), stop=stop_after_attempt(3))def safe_invoke_llm(message):    return llm.invoke([HumanMessage(content=message)])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, constrclass RequestData(BaseModel):    user_input: constr(min_length=1, max_length=500)  # 限制输入大小

日志记录

添加日志以提高可见性：

import logginglogging.basicConfig(level=logging.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}

4. 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

5. 测试 API

你可以使用 curl 测试：

curl -X POST "http://127.0.0.1:8000/run" \     -H "Content-Type: application/json" \     -d '{"user_input":"什么是 LangGraph？"}'

或者在浏览器中打开 http://127.0.0.1:8000/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。

6. 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:3.11-slimWORKDIR /appCOPY . .RUN pip install -r requirements.txtCMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]
  • • 认证：使用 API 密钥或 JWT tokens 来保护 endpoints（第二部分即将推出）。

7. 架构概览

以下是整体连接方式：



POST /run

Client

FastAPI

LangGraph

OpenAI\_API

Response

这个简单的架构让你可以将任何 LangGraph 变成一个 API。

8. 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。

下一步是什么？

我计划推出本教程的第二部分，但我想听听你的意见。

👉 你希望我接下来讲哪一个？

  • • 流式响应（实时聊天）
  • • 认证与安全性
  • • Docker 与云部署
  • • 错误监控与可观察性

在下方评论你的选择！

默认页脚
Copyright © 2025 SecCMD