LangGraph进阶：构建ReACT架构的智能Agent

引言

在人工智能和大语言模型（LLM）快速发展的今天，如何构建高效、灵活的智能Agent成为了一个热门话题。LangGraph作为一个强大的工具，为我们提供了一种新的方式来实现复杂的AI工作流，特别是在构建ReACT（Reasoning and Acting）架构的智能Agent方面表现出色。本文将深入探讨如何使用LangGraph来实现ReACT架构，并提供详细的代码示例和解释。

LangGraph的基本概念

LangGraph是一个用于构建基于LLM的应用程序的Python框架。它的核心理念是将复杂的AI工作流程表示为一个状态图，其中包含节点、边和数据状态。这种方法使得我们可以更直观地设计和实现智能Agent的行为逻辑。

在LangGraph中，我们可以使用基础组件（节点、边、数据状态）来构建Agent，这也是LangGraph自由度高的一个重要优点。同时，LangGraph还提供了一些预构建的代理，如ReACT智能体和工具调用智能体，使得我们可以更快速地创建智能Agent。

ReACT架构简介

ReACT（Reasoning and Acting）是一种智能Agent架构，它结合了推理和行动的能力。在ReACT架构中，Agent通过不断地思考（Reasoning）、采取行动（Acting）和观察结果（Observing）来解决问题。这种方法使得Agent能够更灵活地应对复杂的任务，并且可以利用外部工具来增强其能力。

使用LangGraph实现ReACT架构

现在，让我们通过一个具体的例子来看看如何使用LangGraph实现ReACT架构的智能Agent。

1. 环境设置

首先，我们需要导入必要的库和模块：

import dotenv
from langchain\_community.tools import GoogleSerperRun
from langchain\_community.tools.openai\_dalle\_image\_generation import OpenAIDALLEImageGenerationTool
from langchain\_community.utilities import GoogleSerperAPIWrapper
from langchain\_community.utilities.dalle\_image\_generator import DallEAPIWrapper
from langchain\_core.pydantic\_v1 import BaseModel, Field
from langchain\_openai import ChatOpenAI
from langgraph.prebuilt.chat\_agent\_executor import create\_react\_agent

dotenv.load\_dotenv()

2. 定义工具和参数模式

接下来，我们定义了两个工具：Google搜索和DALL-E图像生成。同时，我们也为这些工具定义了参数模式：

class GoogleSerperArgsSchema(BaseModel):
    query: str \= Field(description="执行谷歌搜索的查询语句")

class DallEArgsSchema(BaseModel):
    query: str \= Field(description="输入应该是生成图像的文本提示(prompt)")

google\_serper \= GoogleSerperRun(
    name\="google\_serper",
    description\=(
        "一个低成本的谷歌搜索API。"
        "当你需要回答有关时事的问题时，可以调用该工具。"
        "该工具的输入是搜索查询语句。"
    ),
    args\_schema\=GoogleSerperArgsSchema,
    api\_wrapper\=GoogleSerperAPIWrapper(),
)

dalle \= OpenAIDALLEImageGenerationTool(
    name\="openai\_dalle",
    api\_wrapper\=DallEAPIWrapper(model="dall-e-3"),
    args\_schema\=DallEArgsSchema,
)

tools \= \[google\_serper, dalle\]

3. 创建语言模型

我们使用OpenAI的GPT-4模型作为我们的大语言模型：

model = ChatOpenAI(model="gpt-4o-mini", temperature=0)

4. 使用预构建函数创建ReACT智能体

LangGraph提供了预构建的函数来创建ReACT智能体，使用起来非常简单：

agent = create\_react\_agent(
    model\=model,
    tools\=tools
)

5. 调用智能体并输出内容

最后，我们可以调用我们创建的智能体，并打印输出结果：

print(agent.invoke({"messages": \[("human", "帮我绘制一幅鲨鱼在天上飞的图片")\]}))

运行结果分析

当我们运行这段代码时，智能体会首先理解任务需求，然后决定使用DALL-E工具来生成图像。它会生成一个详细的图像描述，然后调用DALL-E API来创建图像。最后，它会返回生成的图像URL，并提供一个简短的描述。

输出内容可能如下所示：

{'messages': \[HumanMessage(content='帮我绘制一幅鲨鱼在天上飞的图片'), 
              AIMessage(content\='', additional\_kwargs={'tool\_calls': \[...\]}), 
              ToolMessage(content\='https://dalleproduse.blob.core.windows.net/...'), 
              AIMessage(content\='这是您请求的画面：一只鲨鱼在天上飞翔的图片。您可以点击下面的链接查看这幅图。\\n\\n!\[鲨鱼在天上飞\](https://dalleproduse.blob.core.windows.net/...)')\]
}

总结

通过这个例子，我们可以看到LangGraph如何简化了ReACT架构智能Agent的构建过程。它提供了高级抽象和预构建组件，使得我们可以快速实现复杂的AI工作流。同时，LangGraph的灵活性也允许我们根据需要自定义和扩展Agent的功能。

需要注意的是，LangGraph仍在快速发展中。例如，当前版本（截至文章撰写时）的预构建ReACT智能体是基于函数调用实现的，并且在0.3.0版本中可能会被移除。因此，在使用LangGraph时，建议关注其最新的文档和更新。

尽管如此，LangGraph的核心设计理念和封装思路仍然非常值得学习和借鉴。随着AI技术的不断进步，我们可以期待LangGraph在未来会提供更多强大和易用的功能，进一步简化智能Agent的开发过程。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​