langchain系列（六）- LangGraph入门以及介绍

码--到成功

已于 2025-02-26 17:16:19 修改

阅读量2k

点赞数 24

分类专栏：大语言模型文章标签： langchain LangGraph

于 2025-02-26 16:30:47 首次发布

本文链接：https://blog.csdn.net/forevercui/article/details/145876616

版权

大语言模型专栏收录该内容

20 篇文章

订阅专栏

一、导读

环境：OpenEuler、Windows 11、WSL 2、Python 3.12.3 langchain 0.3 langgraph 0.2

背景：前期忙碌的开发阶段结束，需要沉淀自己的应用知识，过一遍LangGraph

时间：20250226

说明：技术梳理，langgraph的基础原理以及为什么使用langgraph

二、LangGrah介绍

1、基础介绍

LangGraph是LangChain生态系统中的一个新成员,它提供了一个基于图(Graph)的框架来构建复杂的LLM应用。通过将应用逻辑组织成有向图的形式,LangGraph使得构建复杂的对话流程变得更加直观和灵活。

2、LangChain各版本图示

LangChain 0.1版本的图示

LangChain 0.2版本的图示

LangChain 0.3版本的图示

从LangChain官网的图示即可看出，现在核心功能均在向LangGraph偏移。可以这样理解，核心框架使用LangGraph，而其代码语法使用LangChain实现。

三、为什么使用LangGraph

1、链（Chain）的局限性

在LangChain中，链（Chain）是一种基本的构建块，用于将多个LLM（语言模型）调用和工具调用链接在一起。然而，链在处理复杂、动态的对话流程时存在一些局限性：

线性流程：链通常是线性的，这意味着它们只能按照预定义的顺序执行步骤。这种线性结构限制了在对话中进行动态路由和条件分支的能力。

状态管理：链在处理多轮对话时，状态管理变得复杂。每次调用链时，都需要手动传递和更新状态，这增加了代码的复杂性和出错的可能性。

工具集成：虽然链可以调用外部工具，但在链的结构中集成和协调多个工具的使用并不直观，尤其是在需要根据对话上下文动态选择工具时。

2、AgentExecutor的局限性

AgentExecutor是LangChain中用于执行代理（Agent）的组件，它允许代理根据输入动态选择工具和操作。尽管AgentExecutor提供了一定的灵活性，但它仍然存在一些局限性：

复杂性：AgentExecutor的配置和使用相对复杂，尤其是在处理复杂的对话流程和多轮对话时。需要手动管理代理的状态和工具调用，这增加了开发的难度。

动态路由：AgentExecutor虽然支持动态选择工具，但在处理复杂的条件分支和动态路由时，仍然不够灵活。缺乏一种直观的方式来定义和执行复杂的对话流程。

状态持久性：AgentExecutor在处理长时间运行的对话时，缺乏内置的状态持久性机制。每次对话重启时，都需要从头开始，无法恢复之前的对话状态。

3、LangGraph解决的问题

面对链和AgentExecutor的局限性，LangGraph应运而生。LangGraph的设计目标是解决这些局限性，提供一个更灵活、更强大的框架来构建复杂的智能体应用：

图结构：LangGraph采用图（Graph）结构来表示对话流程，允许开发者定义复杂的非线性流程和条件分支。这种图结构提供了更大的灵活性，使得动态路由和条件分支变得直观和简单。

状态管理：LangGraph内置了强大的状态管理机制，可以无缝地管理多轮对话的状态。开发者无需手动传递和更新状态，LangGraph会自动处理状态的持久化和恢复。

工具集成：LangGraph简化了工具的集成和使用，开发者可以轻松地将多个工具集成到对话流程中，并根据对话上下文动态选择和调用工具。

持久性：LangGraph提供了内置的状态持久性机制，支持长时间运行的对话。开发者可以随时暂停和恢复对话，无需担心状态丢失。

通过这些特性，LangGraph使得构建复杂、可扩展的智能体应用变得更加容易和高效。

四、LangGraph核心思想

LangGraph 受 Pregel 和 Apache Beam 的启发，其公共接口借鉴了 NetworkX。LangGraph 由 LangChain Inc 创建，该公司也是 LangChain 的创建者，但 LangGraph 可以独立于 LangChain 使用。

chain是链，而graph是图，图具备连通性，对于LangGraph而言，最重要的概念是state、edge、node，如果这三个概念尚未弄明白，不建议写代码，否则会有N多的坑

1、核心概念

（1）state 状态

状态是LangGraph应用的基础,它可以是一个简单的字典或者Pydantic模型。状态包含了应用运行时需要的所有信息以及模型生成的信息

（2）node 节点

节点通常是Python函数,用于处理状态并返回更新后的状态

（3）edge 边

边定义了节点之间的连接关系和路由逻辑

2、流程说明

程序运行后，用户输入信息以及相关参数保存在state中，state起始在开始节点，按照代码逻辑沿着edge进入下一个节点；每一个节点（基本）都是函数，按照需求的逻辑进行处理，并更新state中的数据，一直到end节点。

以上是LangGraph最基础的理念，一定要明白，下图是一个LangGraph实现的代理RAG

上图使用的技术有tool和RAG两种技术，其起始node为__start__，结束node为__end__。state中存储的数据在start中，下一步到agent中，接下来是条件边（edge分为normal和conditional，conditional称之为条件边），一般情况下，实线代表普通边，虚线代表条件边。条件边根据当前的具体条件而选择那一条边执行，选择不同的边，则到达的节点不同。所以，agent下一步可能是结束，也可能是retrieve。retrieve节点下一步可能rewrite或是generate，rewrite下一个node必然抵达agent；而generate下一个node必然是__end__。图中可见，agent、retrieve、rewrite三个节点可能存在死循环，可以通过设置循环次数来避免这个bug。

上图实现的功能是：用户提问，如果检测该问题较为模糊，无法准确回答，则走retrieve节点，反之则结束。如果在retrieve中确认需要重写问题，则是rewrite，然后agent，最后__end__；如果找到相关答案，则将retrieve的输出，输入到generate中，并在generate中生成答案，结束

五、代码实战

下面使用最简单的逻辑实现一个graph，熟悉其基础组件概念以及使用方法

1、代码实现

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import MessagesState

llm = ChatOpenAI(
    base_url="https://lxxxxx.enovo.com/v1/", 
    api_key="sxxxxxxxwW",
    model_name="qwen2.5-instruct"
    )

# 创建graph
graph_builder = StateGraph(MessagesState)

# 创建节点函数
def chatbot(state: MessagesState):
    return {"messages": [llm.invoke(state["messages"])]}

# 添加节点，命名为chatbot
graph_builder.add_node("chatbot", chatbot)

# 添加起始边
graph_builder.add_edge(START, "chatbot")

# 添加结束边
graph_builder.add_edge("chatbot", END)

# 代码编译为图
graph = graph_builder.compile()

# 生成图的流程图片，写到当前目录下
qa_async_png = graph.get_graph().draw_mermaid_png()
with open("chatbot.png", "wb") as f:
    f.write(qa_async_png)

# 流式调用大模型
for event in graph.stream({"messages": [{"role": "user", "content": "中国最好的大学是哪所？"}]}):
    for value in event.values():
        print("Assistant:", value["messages"][-1].content)

2、输出

Assistant: 中国有很多优秀的大学，每一所在其特定领域都有卓越的表现。如果要提及最知名的几所，人们往往会提到清华大学和北京大学。这两所学校在中国以及国际上都享有很高的声誉，分别在工科和文科方面有着出色的表现。

当然，除了清华和北大之外，还有许多其他优秀的高等教育机构，比如复旦大学、浙江大学、上海交通大学等，它们在各自的领域内也有很高的成就。选择哪所学校最好，往往取决于个人的专业兴趣和职业规划。