LangChain实战 | LangGraph 让你的 AI 项目从 “好” 变 “卓越”

最新推荐文章于 2025-03-16 09:15:00 发布

大模型玩家

最新推荐文章于 2025-03-16 09:15:00 发布

阅读量1.3k

点赞数 14

文章标签： langchain 人工智能学习 transformer 机器学习深度学习大模型

本文链接：https://blog.csdn.net/2401_85375186/article/details/145566250

版权

人工智能（AI）是一个迅速发展的领域。语言模型已经发展到能够让AI Agent执行复杂任务和做出复杂决策。然而，随着这些Agent的技能不断提升，支持它们的基础设施难以跟上。

LangGraph，这是一个革命性的库，旨在革新AI Agent的 构建和运行时 执行。

LangGraph 提出了一个新的Agent构建和运行时构造范式，它将Agent工作流视为基于循环图拓扑的结构。

LangGraph 是什么

LangChain 的一个重要价值主张是能够轻松创建自定义链。然而，LangChain 缺乏一种简单的方法来在这些链中引入循环。实际上，这些链是有向无环图（DAG）—— 就像大多数数据编排框架一样。

人们构建复杂的LLM应用时常见的一个模式是：在运行时中引入循环。这些循环常常借助LLM来推理循环中的下一步行动。这本质上相当于在for循环中运行LLM。这类系统通常被称为Agent。

最简单的形式是一个有两个步骤的循环：

调用LLM确定采取哪些行动，或给用户什么回应
执行给定的操作，然后返回到第 1 步

这些步骤会重复，直到生成最终响应。这就是驱动 LangChain核心AgentExecutor 的循环，这是一个非常简单的循环,也最关键，是因为通过它将几乎所有的决策和推理能力交给了LLM。

需要注意的是，这个过程通常需要更多的控制。比如强制Agent首先调用特定工具、对工具的调用方式做更多控制、根据Agent所处的状态做不同的提示等

这些受控的流程，LangChain称之为“状态机”

这些状态机具有循环的能力,然而，在该循环的构造方面，需要一定的人工干预。

LangGraph 是通过将这些状态机指定为图的方式来创建它们。

LangGraph 建立在 LangChain 基础上，并与 LangChain 生态系统完全互操作。它主要通过引入一种简单的方法来创建循环图而增加了新价值。这在创建Agent runtimes是非常有用的。

这种方法使Agent能够展现出比其前辈的线性执行模型更多的可变且细微的行为。利用图论，LangGraph为开发复杂的网络化Agent系统提供了新的途径。

图：一个用于生成代码的LangGraph

一个例子：动态问答系统

场景：用户可能是一步一步的提供给模型信息，而不是一次性发送所有的信息。

解决方案 ：使用循环图：

让 LLM 生成初步回答。
如果答案不完整或需要更多信息，生成新问题并继续询问用户。
直到用户确认问题已解决。

循环图的结构

节点（Nodes）：每个节点代表一个具体的任务或操作，比如文本生成、问题回答、数据处理等。
边（Edges）：节点之间的连接表示任务执行的先后顺序，可能带有条件判断。
循环路径（Looping Path）：当某个节点的输出需要反馈回之前的节点，或需要反复执行时，就会形成循环。
终止条件（Stopping Condition）：循环图会设定某种终止条件，例如结果的质量满足要求、达到设定的次数限制，或者外部触发的停止信号。

为什么使用 LangGraph ？

灵活性 ：随着AI Agent的发展，开发者需要对Agent运行时进行更多控制，以实现个性化的行动计划和决策程序。
AI推理的循环性质 ：许多复杂的LLM应用在使用链式推理等策略时依赖于循环执行。LangGraph 提供了一个自然的框架，用于建模这些循环过程。
多智能体系统 ：随着多智能体工作流变得越来越普遍，对能够高效管理和协调多个自主智能体的系统的需求也在增加。

使用代码来看 LangGraph 如何工作

LangGraph 的功能基于几个基本元素：

Nodes: 这些是函数或Agent的工具。
Edges: 定义Agent系统中执行和数据流向的路径，连接节点。
StateGraph : LangGraph 通过管理和更新状态对象来允许在执行周期之间保持持久数据，数据在节点之间流动。

图：LangGraph的基本工作流程

StateGraph 状态图

StateGraph 是一个表示图的类。您通过传入 state 定义来初始化此类。该状态定义表示一个中心状态对象，随着时间的推移不断更新。此状态由图中的节点更新，节点以键值存储的形式返回对该状态属性的操作。

import os  # 导入操作系统模块      os.environ['OpenAI_API_KEY'] = 'hk-iwtbi1e427'      from typing import Annotated      from typing_extensions import TypedDict      from langgraph.graph import StateGraph, START, END   from langgraph.graph.message import add_messages         class State(TypedDict):       # messages 的类型为“list”。Annotated中的“add_messages” 定义了如何更新messages       # 在本例中，messages是追加到list中的，而不是覆盖       messages: Annotated[list, add_messages]      # 创建StateGraph的实例，传入State类   graph_builder = StateGraph(State)

Nodes 节点

创建一个 StateGraph 后，可以使用 graph.add_node(name, value) 语法添加节点。 name 参数是一个字符串，是节点name。 value 参数是一个函数或可运行的 LCEL，将被调用。

这个函数/LCEL 接受一个与 State 对象具有相同形式的字典作为输入，并输出一个使用 State 对象的键来更新的字典。

from langchain_openai import ChatOpenAI  # 从langchain_openai模块导入ChatOpenAI   llm = ChatOpenAI(  # 创建ChatOpenAI的实例       model="gpt-4o-mini",  # 指定模型       temperature=0,  # 设置温度       base_url="https://api.openai-hk.com/v1"# 设置基础URL   )      def chatbot(state: State):# 定义chatbot函数，接受State类型的参数       """       处理聊天机器人请求并返回消息。          参数:       state (State): 包含消息的状态。          返回:       dict: 机器人生成的消息的字典。       """       return {"messages": [llm.invoke(state["messages"])]}  # 返回包含消息的字典         # 第一个参数是节点name   # 第二个参数是被调用的函数或对象   graph_builder.add_node("chatbot", chatbot)  # 向图中添加节点，节点名称为"chatbot"

Edges 边

表示其中一个节点始终在另一个节点之后被调用

`# 添加从START到"chatbot"的边   graph_builder.add_edge(START, "chatbot")     # 添加从"chatbot"到END的边   graph_builder.add_edge("chatbot", END)`

Compile 编译

定义我们的图形后，我们可以将其编译为可运行的！暴露与 LangChain 相同的方法（ .invoke ， .stream ， .astream_log 等），允许以与链相同的方式调用它。

graph = graph_builder.compile()  # 编译图

运行

def stream_graph_updates(user_input: str):  # 定义stream_graph_updates函数，接受用户输入       """       使用user_input流式更新图的消息。          参数:       user_input (str): 用户输入的消息。          返回:       None       """       # 遍历图的流事件，传入用户消息以获取模型的响应       for event in graph.stream({"messages": [("user", user_input)]}):  # 遍历图的流事件           for value in event.values():  # 遍历事件的值               print("Assistant:", value["messages"][-1].content)  # 打印助手的最后一条消息         whileTrue:       try:           user_input = input("User: ")  # 获取用户输入           if user_input.lower() in ["quit", "exit", "q"]:  # 检查用户是否想退出               print("Goodbye!")               break# 退出循环              # 调用stream_graph_updates函数处理用户输入           stream_graph_updates(user_input)       except:  # 捕获异常           # fallback if input() is not available           user_input = "What do you know about LangGraph?"# 设置默认用户输入           print("User: " + user_input)  # 打印用户输入           stream_graph_updates(user_input)  # 调用stream_graph_updates函数处理默认输入           break# 退出循环

可视化“图”（可选）

在Jupyter Notebook环境中，可视化“图”

运行效果

像LangGraph这样的框架随着人工智能的发展变得越来越重要。

随着开发者对LangGraph特性的更加熟悉，我们可以期待看到更多先进的AI Agent，它们能够执行更加复杂的任务。

总之，LangGraph在AI Agent开发方面是一个重大的进步。它通过消除早期系统的缺陷，并提供一个用于Agent构建和执行的灵活的、基于图的框架，使开发者能够推动AI Agent的可能性极限。LangGraph在未来有潜力显著影响人工智能的发展方向。

零基础如何学习AI大模型

领取方式在文末

为什么要学习大模型？

学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术，如自然语言处理和图像识别，正在推动着人工智能的新发展阶段。通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。

大模型典型应用场景

①AI+教育：智能教学助手和自动评分系统使个性化教育成为可能。通过AI分析学生的学习数据，提供量身定制的学习方案，提高学习效果。
②AI+医疗：智能诊断系统和个性化医疗方案让医疗服务更加精准高效。AI可以分析医学影像，辅助医生进行早期诊断，同时根据患者数据制定个性化治疗方案。
③AI+金融：智能投顾和风险管理系统帮助投资者做出更明智的决策，并实时监控金融市场，识别潜在风险。
④AI+制造：智能制造和自动化工厂提高了生产效率和质量。通过AI技术，工厂可以实现设备预测性维护，减少停机时间。
…
这些案例表明，学习大模型课程不仅能够提升个人技能，还能为企业带来实际效益，推动行业创新发展。