轻松迁移：从传统LangChain代理到LangGraph的过渡指南

ahdfwcevnhrtds

于 2024-10-04 00:57:40 发布

阅读量186

点赞数 3

文章标签： langchain python

本文链接：https://blog.csdn.net/ahdfwcevnhrtds/article/details/142698280

版权

引言

随着AI技术的迅速发展，开发者需要更加灵活的工具来构建智能代理。LangGraph作为LangChain的进化版，为代理执行提供了更灵活和强大的功能。在这篇文章中，我们将探讨如何从传统的LangChain代理迁移到LangGraph，并提供详尽的代码示例来帮助您完成这一过程。

主要内容

迁移背景

LangChain中的代理执行器（AgentExecutor）以其多样的配置选项而闻名，但LangGraph引入了更灵活的react agent执行器，使得代理的状态管理和执行过程更为简单和直观。

基本用法

创建ReAct风格的工具调用代理在LangGraph中同样简单。以下是如何创建和使用代理的基本步骤：

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent

model = ChatOpenAI(model="gpt-4o")

@tool
def magic_function(input: int) -> int:
    """Applies a magic function to an input."""
    return input + 2

tools = [magic_function]

app = create_react_agent(model, tools)
# 使用API代理服务提高访问稳定性

query = "what is the value of magic_function(3)?"
messages = app.invoke({"messages": [("human", query)]})
print(messages["messages"][-1].content)

迁移过程

系统消息与提示模板：在LangGraph中，您可以通过system_message参数或自定义函数来修改消息列表，从而控制代理的行为。
记忆与持久化：LangGraph中引入了MemorySaver来持久化聊天历史，使得多轮会话成为可能。
迭代与步骤控制：使用stream或astream方法可以逐步迭代代理的执行过程，获取每一步的中间结果。
错误和异常处理：通过捕捉GraphRecursionError，可以优雅地处理递归限制或其他异常情况。

代码示例

from langgraph.prebuilt import create_react_agent
from langgraph.errors import GraphRecursionError

app = create_react_agent(model, tools)

try:
    for step in app.stream({"messages": [("human", query)]}, stream_mode="updates"):
        print(step)
except GraphRecursionError:
    print("Agent stopped due to max iterations.")