在 AI 智能体开发领域，#LangGraph 已成为构建 #AI #Agent 智能体的主流框架。然而，官方模板存在三大痛点：默认使用海外模型、缺乏 MCP 工具生态支持、开发流程不够顺畅。这些问题让国内开发者在使用过程中面临诸多挑战。
为解决这些痛点，我们推出了专为中国开发者打造的 langgraph-up-react 模板[2]（以下简称『兰瓜模板』）！这个模板让智能体开发变得更加简单高效。
TL;DR（太长不看版）
1. 国内友好：原生支持千问系列模型及 OpenAI 兼容平台，解决了模型访问的地域限制问题。 2. 工具整合：集成 #MCP 工具生态，同时保留传统 #LangChain 工具支持，扩展了智能体能力边界。 3. 开发便捷：优化的开发环境和测试体系，让开发者可以专注于业务逻辑而非底层集成。
三步开始你的智能体开发
1. 安装依赖
推荐使用 uv 包管理器，与 LangChain 官方保持一致：
# 安装 uv（如果尚未安装）
curl -LsSf https://astral.sh/uv/install.sh | sh
# 克隆仓库
git clone https://github.com/webup/langgraph-up-react.git
cd langgraph-up-react
# 安装依赖
uv sync --dev2. 配置环境
创建并编辑 .env 文件：
cp .env.example .env
填写必要的 API 密钥（至少选择一个模型提供商）：
# Web 搜索功能（必需）
TAVILY_API_KEY=your-tavily-api-key
# 模型提供商（至少选择一个）
DASHSCOPE_API_KEY=your-dashscope-api-key # 千问模型（默认推荐）
OPENAI_API_KEY=your-openai-api-key # OpenAI 或兼容平台
# OPENAI_API_BASE=https://your-api-endpoint # OpenAI 兼容平台需设置
# 可选：模型供应商的区域支持
REGION=prc # 中国大陆地区
# 可选：启用文档工具
ENABLE_DEEPWIKI=true3. 启动开发环境
使用 Makefile 命令快速启动：
# 启动开发服务器（不带界面）
make dev
# 启动带 LangGraph Studio UI 的开发服务器
make dev_ui就这么简单！现在你已经有了一个功能完备的 ReAct 智能体开发环境，可以开始你的开发工作了。
你还可以通过 #LangSmith 追踪记录来了解智能体的实际工作原理：
• DeepWiki 文档查询[3]：展示智能体使用 DeepWiki MCP 工具查询 GitHub 仓库文档 • Web 搜索查询[4]：演示 Tavily Web 搜索集成和推理循环
v0.1.x 版本的核心特性
1. 多模型支持：打破地域限制
兰瓜模板原生支持千问系列模型（默认使用 qwen-flash），并通过 REGION 环境变量解决了国际站与国内站的区别问题。这种设计大大降低了国内开发者的使用门槛。
2. MCP 工具生态：能力的无限扩展
兰瓜模板预置了 #DeepWiki 的 MCP 服务器，同时保留了传统的 LangChain 工具支持，展示了两种工具体系的共存方案。这种设计使开发者能够灵活选择工具来源，大大扩展了智能体的能力边界。
3. 优化的开发体验：专注业务逻辑
兰瓜模板提供了完善的开发工具链和测试体系：
make test # 运行测试
make lint # 代码检查
make format # 格式化代码这些优化让开发者可以专注于业务逻辑实现，而非底层技术细节。
可以用这个模板做什么？
基于兰瓜模板，可以快速构建各类智能体原型：
案例一：开源项目问答助手
• 场景：快速了解开源项目并解答使用疑问 • 输入：GitHub 仓库链接、用户问题 • 输出：项目架构解析、API 用法说明、代码示例 • 工具职责： • DeepWiki MCP：抓取仓库内容，检索经过系统整理的知识 • Context7：抓取仓库内容，检索示例代码和说明 • 模型职责：理解问题意图，检索相关信息并生成符合项目风格的解答
案例二：简历分析助手
• 场景：智能筛选简历，提升招聘效率 • 输入：简历文件、职位描述 • 输出：候选人能力分析、职位匹配度评分、对比报告 • 工具职责： • FireCrawl/MarkItdown：解析简历文档结构 • 结构化提取器：识别教育、工作经验和技能 • 模型职责：分析职位要求与候选人匹配度，生成结构化评估报告
欢迎大家来共创
欢迎访问 GitHub 仓库[5]，给项目点个 Star ⭐️！我们也诚挚邀请开发者通过提交 PR 参与到模板的共同建设中来。你的每一份贡献都将帮助这个模板变得更加完善。
兰瓜模板目前处于 0.1 版本，未来版本将聚焦两大核心方向：
• 0.2 版本（评估评测体系）：我们将构建智能体评测体系，集成评估框架，提供评测底座和实例。这将帮助开发者客观评估智能体性能，持续优化智能体质量。 • 0.3 版本（本地部署方案）：我们将提供本地部署解决方案，包括 Docker 镜像支持、LangGraph Platform 本地私有化等能力。这将帮助开发者了解如何把 LangGraph 本地程序变为智能体微服务并上线到容器环境（如 Docker Compose，Kubernetes）。
每个版本都将提供完整的底座和实例，让开发者可以直接使用或基于示例进行二次开发。
