|
| 1 | +# AI Agent 终结者 LangGraph！ |
| 2 | + |
| 3 | +⚡ 构建作为图的语言智能体 ⚡ |
| 4 | + |
| 5 | +## 1 概述 |
| 6 | + |
| 7 | +LangGraph是一个用于构建具有状态、多参与者应用程序的大语言模型（LLM）的库，用于创建智能体和多智能体的工作流程。与其他 LLM 框架相比，它提供以下核心优势： |
| 8 | + |
| 9 | +- 循环 |
| 10 | +- 可控性 |
| 11 | +- 持久性 |
| 12 | + |
| 13 | +LangGraph 允许你定义涉及循环的流程，这对于大多数智能体架构至关重要，使其与基于DAG的解决方案区别开来。作为一个非常底层的框架，它提供了对应用程序的流程和状态的细粒度控制，这对于创建可靠的智能体至关重要。 |
| 14 | + |
| 15 | +此外，LangGraph 包含内置的持久性功能，支持高级的“人类在环”（human-in-the-loop）和记忆功能。 |
| 16 | + |
| 17 | +LangGraph 的灵感来源于 [Pregel](https://research.google/pubs/pub37252/) 和 [Apache Beam](https://beam.apache.org/)。其公共接口借鉴了 [NetworkX](https://networkx.org/documentation/latest/) 的设计。LangGraph 由 LangChain Inc. 创建，该公司也是 LangChain 的开发者，但它可以独立于 LangChain 使用。 |
| 18 | + |
| 19 | +### 1.1 关键特性 |
| 20 | + |
| 21 | +- **循环和分支**：在应用程序中实现循环和条件判断 |
| 22 | +- **持久性**：在图中的每一步之后自动保存状态。你可以在任意时间点暂停和恢复图的执行，以支持错误恢复、“人类在环”工作流、时间回溯等功能 |
| 23 | +- **人类在环**：在图执行过程中打断执行，以批准或编辑智能体计划的下一个动作 |
| 24 | +- **流式支持**：在每个节点生成输出时进行流式传输（包括 token 流式传输） |
| 25 | +- **与 LangChain 集成**：LangGraph 可以与 [LangChain](https://github.com/langchain-ai/langchain/) 和 [LangSmith](https://docs.smith.langchain.com/) 无缝集成（但不要求使用它们） |
| 26 | + |
| 27 | +## 2 安装 |
| 28 | + |
| 29 | +```bash |
| 30 | +pip install -U langgraph |
| 31 | +``` |
| 32 | + |
| 33 | +## 3 示例 |
| 34 | + |
| 35 | +LangGraph 的核心概念之一是状态。每次图执行都会创建一个状态，该状态在图中各节点执行时在它们之间传递，并且每个节点在执行后会用其返回值更新该内部状态。图更新其内部状态的方式由所选择的图类型或自定义函数定义。 |
| 36 | + |
| 37 | +### 使用搜索工具的简单智能体 |
| 38 | + |
| 39 | + |
| 40 | + |
| 41 | +```arduino |
| 42 | +pip install langchain-anthropic |
| 43 | +export ANTHROPIC_API_KEY=sk-... |
| 44 | +``` |
| 45 | + |
| 46 | +可选地，我们可设置 [LangSmith](https://docs.smith.langchain.com/) 以获得最佳的可观测性。 |
| 47 | + |
| 48 | +```python |
| 49 | +export LANGSMITH_TRACING=true |
| 50 | +export LANGSMITH_API_KEY=lsv2_sk_... |
| 51 | +from typing import Annotated, Literal, TypedDict |
| 52 | + |
| 53 | +from langchain_core.messages import HumanMessage |
| 54 | +from langchain_anthropic import ChatAnthropic |
| 55 | +from langchain_core.tools import tool |
| 56 | +from langgraph.checkpoint.memory import MemorySaver |
| 57 | +from langgraph.graph import END, StateGraph, MessagesState |
| 58 | +from langgraph.prebuilt import ToolNode |
| 59 | + |
| 60 | + |
| 61 | +# 为智能体定义工具 |
| 62 | +@tool |
| 63 | +def search(query: str): |
| 64 | + """调用以浏览网络。""" |
| 65 | + # 这是一个占位符，但不要告诉 LLM... |
| 66 | + if "sf" 在查询字符串中，或者查询中包含 "san francisco"： |
| 67 | + return "现在是 60 度，有雾。" |
| 68 | + return "现在是 90 度，晴天。" |
| 69 | + |
| 70 | + |
| 71 | +tools = [search] |
| 72 | + |
| 73 | +tool_node = ToolNode(tools) |
| 74 | + |
| 75 | +model = ChatAnthropic(model="claude-3-5-sonnet-20240620", temperature=0).bind_tools(tools) |
| 76 | + |
| 77 | +# 定义决定是否继续的函数 |
| 78 | +def should_continue(state: MessagesState) -> Literal["tools", END]: |
| 79 | + messages = state['messages'] |
| 80 | + last_message = messages[-1] |
| 81 | + # 如果 LLM 进行工具调用，那么我们将路径设置为 "tools" 节点 |
| 82 | + if last_message.tool_calls: |
| 83 | + return "tools" |
| 84 | + # 否则，我们停止（回复用户） |
| 85 | + return END |
| 86 | + |
| 87 | + |
| 88 | +# 定义调用模型的函数 |
| 89 | +def call_model(state: MessagesState): |
| 90 | + messages = state['messages'] |
| 91 | + response = model.invoke(messages) |
| 92 | + # 我们返回一个列表，因为这将被添加到现有列表中 |
| 93 | + return {"messages": [response]} |
| 94 | + |
| 95 | + |
| 96 | +# 定义一个新图 |
| 97 | +workflow = StateGraph(MessagesState) |
| 98 | + |
| 99 | +# 定义我们将循环的两个节点 |
| 100 | +workflow.add_node("agent", call_model) |
| 101 | +workflow.add_node("tools", tool_node) |
| 102 | + |
| 103 | +# 将入口点设置为 `agent` |
| 104 | +# 这意味着这个节点是首先被调用的 |
| 105 | +workflow.set_entry_point("agent") |
| 106 | + |
| 107 | +# 我们现在添加一个条件边 |
| 108 | +workflow.add_conditional_edges( |
| 109 | + # 首先，我们定义起始节点。我们使用 `agent`。 |
| 110 | + # 这意味着这些边是在调用 `agent` 节点后执行的。 |
| 111 | + "agent", |
| 112 | + # 接下来，我们传入决定下一个被调用节点的函数。 |
| 113 | + should_continue, |
| 114 | +) |
| 115 | + |
| 116 | +# 我们现在从 `tools` 到 `agent` 添加一条普通边。 |
| 117 | +# 这意味着在 `tools` 被调用后，`agent` 节点会接着被调用。 |
| 118 | +workflow.add_edge("tools", 'agent') |
| 119 | + |
| 120 | +# 初始化内存以在图运行之间保存状态 |
| 121 | +checkpointer = MemorySaver() |
| 122 | + |
| 123 | +# 最后，我们编译它！ |
| 124 | +# 这将其编译为一个 LangChain 可运行体， |
| 125 | +# 这意味着你可以像使用其他可运行体一样使用它。 |
| 126 | +# 请注意，我们在编译图时（可选地）传递了内存 |
| 127 | +app = workflow.compile(checkpointer=checkpointer) |
| 128 | + |
| 129 | +# 使用可运行体 |
| 130 | +final_state = app.invoke( |
| 131 | + {"messages": [HumanMessage(content="sf 的天气如何")]}, |
| 132 | + config={"configurable": {"thread_id": 42}} |
| 133 | +) |
| 134 | +final_state["messages"][-1].content |
| 135 | +"根据搜索结果，我可以告诉你，旧金山目前的天气是：\n\n温度：华氏 60 度\n天气情况：有雾\n\n旧金山以其微气候和频繁的雾而闻名，尤其是在夏季的早晨和傍晚。60°F（约 15.5°C）的温度对于该市来说是非常常见的，因为该市一年四季温度都比较温和。雾气，当地人称之为 “Karl the Fog”，是旧金山天气的一个特点，特别是在早晨和晚上。\n\n你还想知道有关旧金山或其他地方天气的其他信息吗？" |
| 136 | +``` |
| 137 | + |
| 138 | +现在当我们传递相同的 `"thread_id"` 时，会通过保存的状态（即存储的消息列表）保留对话上下文。 |
| 139 | + |
| 140 | +```python |
| 141 | +final_state = app.invoke( |
| 142 | + {"messages": [HumanMessage(content="那纽约呢")]}, |
| 143 | + config={"configurable": {"thread_id": 42}} |
| 144 | +) |
| 145 | +final_state["messages"][-1].content |
| 146 | +"根据搜索结果，我可以告诉你，纽约目前的天气是：\n\n温度：华氏 90 度（约 32.2 摄氏度）\n天气情况：晴天\n\n这种天气与我们刚刚看到的旧金山的天气截然不同。纽约目前的温度要高得多。以下是一些需要注意的几点：\n\n1. 90°F 的温度相当热，典型的纽约市夏季天气。\n2. 晴朗的天气意味着晴空万里，这对户外活动非常有利，但也意味着由于阳光直射，感觉可能会更热。\n3. 纽约这种天气通常伴随着高湿度，这会使实际温度感觉更高。\n\n看到旧金山温和、多雾的天气与纽约炎热、晴朗的天气之间的巨大差异，这确实很有趣。这种差异展示了美国不同地区，即使在同一天，天气状况也可能截然不同。\n\n你还想了解纽约或其他地方的天气情况吗？" |
| 147 | +``` |
| 148 | + |
| 149 | +参考： |
| 150 | + |
| 151 | +- https://langchain-ai.github.io/langgraph/#installation |
0 commit comments