Python：3.11+

pip install langgraph langchain langchain-openai python-dotenv

import os
from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage

from typing import TypedDict, List

# 定義一個(gè)名為 'State' 的TypedDict，用于結(jié)構(gòu)化表示狀態(tài)數(shù)據(jù)
class State(TypedDict):
    text: str  # 存儲原始輸入文本
    classification: str  # 分類結(jié)果（例如類別標(biāo)簽）
    entities: List[str]  # 存儲提取的實(shí)體列表（如命名實(shí)體）
    summary: str  # 存儲文本的摘要版本

llm = ChatOpenAI(model="qwen-plus", temperature=0, api_key="",
                 base_url="")

def classification_node(state: State):
    """
    將文本分類到預(yù)定義的類別中。

    參數(shù):
        state (State): 包含待分類文本的當(dāng)前狀態(tài)字典

    返回:
        dict: 包含"分類"鍵的字典，值為分類結(jié)果

    分類類別:
        - 新聞: 事實(shí)性報(bào)道當(dāng)前事件
        - 博客: 個(gè)人或非正式的網(wǎng)絡(luò)寫作
        - 研究: 學(xué)術(shù)或科學(xué)內(nèi)容
        - 其他: 不符合上述類別的內(nèi)容
    """

    # 創(chuàng)建提示模板，要求模型將文本分類到指定類別
    prompt = PromptTemplate(
        input_variables=["text"],
        template="將以下文本分類到以下類別之一：新聞、博客、研究、其他。\n\n文本：{text}\n\n類別："
    )

    # 使用狀態(tài)中的文本格式化提示并包裝為HumanMessage
    message = HumanMessage(content=prompt.format(text=state["text"]))

    # 調(diào)用語言模型進(jìn)行分類
    classification = llm.invoke([message]).content.strip()

    # 返回分類結(jié)果字典
    return {"classification": classification}

def entity_extraction_node(state: State):
    # 從文本中識別并提取命名實(shí)體（按人物、組織、地點(diǎn)分類）

    # 創(chuàng)建實(shí)體提取提示模板，要求返回逗號分隔的實(shí)體列表
    prompt = PromptTemplate(
        input_variables=["text"],
        template="從以下文本中提取所有實(shí)體（人物、組織、地點(diǎn)）。以逗號分隔列表形式返回結(jié)果。\n\n文本：{text}\n\n實(shí)體："
    )

    # 使用文本格式化提示并包裝為HumanMessage
    message = HumanMessage(content=prompt.format(text=state["text"]))

    # 調(diào)用模型獲取響應(yīng)，清理空白并拆分為列表
    entities = llm.invoke([message]).content.strip().split(", ")

    # 返回包含實(shí)體列表的字典
    return {"entities": entities}

def summarize_node(state: State):
    # 創(chuàng)建摘要提示模板，要求用一句話總結(jié)輸入文本

    # 使用模板創(chuàng)建鏈?zhǔn)教幚砹鞒蹋ㄌ崾灸０?→ 語言模型）
    summarization_prompt = PromptTemplate.from_template(
        """用一句話總結(jié)以下文本。\n\n文本：{text}\n\n摘要："""
    )

    # 構(gòu)建處理鏈：提示模板 → 語言模型
    chain = summarization_prompt | llm

    # 執(zhí)行處理流程，傳入文本進(jìn)行摘要生成
    response = chain.invoke({"text": state["text"]})

    # 返回包含摘要結(jié)果的字典
    return {"summary": response.content}

# 創(chuàng)建狀態(tài)圖對象
workflow = StateGraph(State)

# 添加處理節(jié)點(diǎn)到流程圖
workflow.add_node("classification_node", classification_node)  # 分類節(jié)點(diǎn)
workflow.add_node("entity_extraction", entity_extraction_node)  # 實(shí)體提取節(jié)點(diǎn)
workflow.add_node("summarization", summarize_node)  # 摘要生成節(jié)點(diǎn)

# 設(shè)置流程入口點(diǎn)并定義執(zhí)行路徑
workflow.set_entry_point("classification_node")  # 設(shè)置初始執(zhí)行節(jié)點(diǎn)
workflow.add_edge("classification_node", "entity_extraction")  # 分類 → 實(shí)體提取
workflow.add_edge("entity_extraction", "summarization")  # 實(shí)體提取 → 摘要生成
workflow.add_edge("summarization", END)  # 摘要生成 → 流程結(jié)束

# 編譯工作流為可執(zhí)行應(yīng)用
app = workflow.compile()

# 測試用例：關(guān)于Anthropic的MCP技術(shù)說明文本
sample_text = """
Anthropic的MCP（Model Context Protocol）是一個(gè)開源的強(qiáng)大工具，允許應(yīng)用程序與各種系統(tǒng)的API進(jìn)行無縫交互。
"""

# 創(chuàng)建初始狀態(tài)對象
state_input = {"text": sample_text}

# 執(zhí)行完整工作流處理
result = app.invoke(state_input)

# 輸出處理結(jié)果
print("分類結(jié)果:", result["classification"])
print("\n實(shí)體列表:", result["entities"])
print("\n摘要內(nèi)容:", result["summary"])

分類結(jié)果: 研究

理由：該文本提到了Anthropic的MCP（Model Context Protocol），并描述了其功能和特性。這種內(nèi)容通常與技術(shù)研究、創(chuàng)新工具或方法相關(guān)，因此分類為“研究”較為合適。如果該文本出現(xiàn)在具體的產(chǎn)品新聞或個(gè)人觀點(diǎn)分享的語境下，也可能屬于其他類別，但從當(dāng)前表述來看，“研究”是最貼切的分類。

實(shí)體列表: ['Anthropic', 'MCP', 'Model Context Protocol']

摘要內(nèi)容: Anthropic的MCP是一個(gè)開源工具，可實(shí)現(xiàn)應(yīng)用程序與系統(tǒng)API的無縫交互。