彻底搞懂LangGraph【1】：构建复杂智能体应用的LangChain新利器

PART 01 预备知识

【LangChain中的链与LCEL】

Chain（链）是LangChain中最核心的概念之一（看名字就知道）。简单的说，就是把自然语言输入、关联知识检索、Prompt组装、可用Tools信息、大模型调用、输出格式化等这些LLM 应用中的常见动作，组装成一个可以运行的“链”式过程。链可以直接调用，也可以用来进一步构建更强大的Agent。

LCEL即LangChain Express Language，即LangChain表达语言。这是LangChain提供的一种简洁的、用于组装上述“链”的声明性方式。

我们看一个官方使用LCEL“组装”Chain的例子就明白：

prompt = ChatPromptTemplate.from_template("讲一个关于 {topic} 的笑话")
model = ChatOpenAI(model="gpt-4")
output_parser = StrOutputParser()
chain = prompt | model | output_parser
#调用chain
chain.invoke({"topic": "冰淇淋"})

这个官方的例子中，把提示（prompt）、大模型（model）、输出解析（output_parser）几个组件使用管道符号“｜”链接在一起，上个组件的输出作为下一个组件的输入，一起形成了一个链。

对于最常见的RAG应用来说，使用LCEL也无非是在此之上增加一个检索相关文档的动作，类似：

chain = setup_and_retrieval | prompt | model | output_parser

这里很清晰地看到一个简单的RAG应用处理过程：检索关联文档 => 组装Prompt => 调用大模型 => 输出处理。

最后总结一下：LCEL就是LangChain提供用来组装Chain的一种简单表示方式。用这种方式组装链，可以自动获得诸如批量、流输出、并行、异步等一系列能力；而且链可以进一步通过LCEL组装成更复杂的链与Agent。

【LCEL构建与调度Agent】

那么如何用LCEL来创建一个AI Agent并调度运行呢？以最常见的React（推理&行动）范式的Agent来说，相对于Chain需要扩展的能力有：

• 增加工具使用能力。这体现在Prompt中需要注入可用工具信息，并能自动调用工具获得结果。
• 增加“循环”能力。Agent的运行通常需要多次Reason（推理）-Act（行动）的反复与循环，直到完成任务。

以LCEL来组装并创建运行一个Agent的简单过程如下：

""&