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

# 定義一個名為 'State' 的TypedDict，用于結構化表示狀態數據
class State(TypedDict):
    text: str  # 存儲原始輸入文本
    classification: str  # 分類結果（例如類別標簽）
    entities: List[str]  # 存儲提取的實體列表（如命名實體）
    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):
    """
    將文本分類到預定義的類別中。

    參數:
        state (State): 包含待分類文本的當前狀態字典

    返回:
        dict: 包含"分類"鍵的字典，值為分類結果

    分類類別:
        - 新聞: 事實性報道當前事件
        - 博客: 個人或非正式的網絡寫作
        - 研究: 學術或科學內容
        - 其他: 不符合上述類別的內容
    """

    # 創建提示模板，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："
    )

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

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

    # 返回分類結果字典
    return {"classification": classification}

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

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

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

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

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

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

    # 使用模板創建鏈式處理流程（提示模板 → 語言模型）
    summarization_prompt = PromptTemplate.from_template(
        """用一句話總結以下文本。\n\n文本：{text}\n\n摘要："""
    )

    # 構建處理鏈：提示模板 → 語言模型
    chain = summarization_prompt | llm

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

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

# 創建狀態圖對象
workflow = StateGraph(State)

# 添加處理節點到流程圖
workflow.add_node("classification_node", classification_node)  # 分類節點
workflow.add_node("entity_extraction", entity_extraction_node)  # 實體提取節點
workflow.add_node("summarization", summarize_node)  # 摘要生成節點

# 設置流程入口點并定義執行路徑
workflow.set_entry_point("classification_node")  # 設置初始執行節點
workflow.add_edge("classification_node", "entity_extraction")  # 分類 → 實體提取
workflow.add_edge("entity_extraction", "summarization")  # 實體提取 → 摘要生成
workflow.add_edge("summarization", END)  # 摘要生成 → 流程結束

# 編譯工作流為可執行應用
app = workflow.compile()

# 測試用例：關于Anthropic的MCP技術說明文本
sample_text = """
Anthropic的MCP（Model Context Protocol）是一個開源的強大工具，允許應用程序與各種系統的API進行無縫交互。
"""

# 創建初始狀態對象
state_input = {"text": sample_text}

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

# 輸出處理結果
print("分類結果:", result["classification"])
print("\n實體列表:", result["entities"])
print("\n摘要內容:", result["summary"])

分類結果: 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。這種內容通常與技術研究、創新工具或方法相關，因此分類為“研究”較為合適。如果該文本出現在具體的產品新聞或個人觀點分享的語境下，也可能屬于其他類別，但從當前表述來看，“研究”是最貼切的分類。

實體列表: ['Anthropic', 'MCP', 'Model Context Protocol']

摘要內容: Anthropic的MCP是一個開源工具，可實現應用程序與系統API的無縫交互。