AI Agent 终结者 LangGraph！

⚡ 构建作为图的语言智能体 ⚡

1 概述

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：

• 循环
• 可控性
• 持久性

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。

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。

LangGraph 的灵感来源于 Pregel 和 Apache Beam。其公共接口借鉴了 NetworkX 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。

1.1 关键特性

• 循环和分支：在应用程序中实现循环和条件判断
• 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
• 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
• 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）
• 与 LangChain 集成：LangGraph 可以与 LangChain 和 LangSmith 无缝集成（但不要求使用它们）

2 安装

代码语言：bash

pip install -U langgraph

3 示例

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。

使用搜索工具的简单智能体

代码语言：arduino

pip install langchain-anthropic
export ANTHROPIC_API_KEY=sk-...

可选地，我们可设置 LangSmith 以获得最佳的可观测性。

代码语言：python

代码运行次数：0

**Cloud Studio代码运行

export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY=lsv2_sk_...
from typing import Annotated, Literal, TypedDict

from langchain_core.messages import HumanMessage
from langchain_anthropic import ChatAnthropic
from langchain_core.tools import tool
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import END, StateGraph, MessagesState
from langgraph.prebuilt import ToolNode


# 为智能体定义工具
@tool
def search(query: str):
    """调用以浏览网络。"""
    # 这是一个占位符，但不要告诉 LLM...
    if "sf" 在查询字符串中，或者查询中包含 "san francisco"：
        return "现在是 60 度，有雾。"
    return "现在是 90 度，晴天。"


tools = [search]

tool_node = ToolNode(tools)

model = ChatAnthropic(model="claude-3-5-sonnet-20240620", temperature=0).bind_tools(tools)

# 定义决定是否继续的函数
def should_continue(state: MessagesState) -> Literal["tools", END]:
    messages = state['messages']
    last_message = messages[-1]
    # 如果 LLM 进行工具调用，那么我们将路径设置为 "tools" 节点
    if last_message.tool_calls:
        return "tools"
    # 否则，我们停止（回复用户）
    return END


# 定义调用模型的函数
def call_model(state: MessagesState):
    messages = state['messages']
    response = model.invoke(messages)
    # 我们返回一个列表，因为这将被添加到现有列表中
    return {"messages": [response]}


# 定义一个新图
workflow = StateGraph(MessagesState)

# 定义我们将循环的两个节点
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)

# 将入口点设置为 `agent`
# 这意味着这个节点是首先被调用的
workflow.set_entry_point("agent")

# 我们现在添加一个条件边
workflow.add_conditional_edges(
    # 首先，我们定义起始节点。我们使用 `agent`。
    # 这意味着这些边是在调用 `agent` 节点后执行的。
    "agent",
    # 接下来，我们传入决定下一个被调用节点的函数。
    should_continue,
)

# 我们现在从 `tools` 到 `agent` 添加一条普通边。
# 这意味着在 `tools` 被调用后，`agent` 节点会接着被调用。
workflow.add_edge("tools", 'agent')

# 初始化内存以在图运行之间保存状态
checkpointer = MemorySaver()

# 最后，我们编译它！
# 这将其编译为一个 LangChain 可运行体，
# 这意味着你可以像使用其他可运行体一样使用它。
# 请注意，我们在编译图时（可选地）传递了内存
app = workflow.compile(checkpointer=checkpointer)

# 使用可运行体
final_state = app.invoke(
    {"messages": [HumanMessage(content="sf 的天气如何")]},
    config={"configurable": {"thread_id": 42}}
)
final_state["messages"][-1].content
"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？"

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。

代码语言：python

代码运行次数：0

**Cloud Studio代码运行

final_state = app.invoke(
    {"messages": [HumanMessage(content="那纽约呢")]},
    config={"configurable": {"thread_id": 42}}
)
final_state["messages"][-1].content
"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？"

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）👈

​