LangGraph：构建复杂智能体应用的全面指南

最新推荐文章于 2025-04-02 17:02:24 发布
最新推荐文章于 2025-04-02 17:02:24 发布
阅读量5.5k 收藏 55
点赞数 27
文章标签： 人工智能 langGraph
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40999403/article/details/139862000
版权

预备知识

在深入了解LangGraph之前，我们需要掌握一些基础知识，包括LangChain中的链与LCEL（LangChain Expression Language），LCEL构建与调度Agent的方法，以及图（Graph）的基本概念。这些知识将为我们后续学习和使用LangGraph打下坚实的基础。

1.1 LangChain中的链与LCEL

LangChain是一个用于构建语言模型应用的框架。在LangChain中，链（Chain）是一个核心概念，用于定义一系列的操作或步骤，这些步骤可以顺序执行以完成特定的任务。链可以包含多个组件，如模型调用、数据处理函数等，它们按照预定的顺序执行。链的设计使得复杂的任务可以通过简单的步骤组合来实现。

LCEL（LangChain Expression Language）是一种用于描述和构建链的语言。它提供了一种简洁的方式来定义链的结构和行为。通过LCEL，开发者可以轻松地创建复杂的链，并对其进行调试和优化。

例如，以下是一个简单的链的定义：

from langchain import LLMChain, PromptTemplate
from langchain.llms import OpenAI

# 定义一个提示模板
prompt_template = PromptTemplate(
    input_variables=["product"],
    template="What is a good name for a company that makes {product}?"
)

# 定义一个LLM
llm = OpenAI(temperature=0.7)

# 创建一个链
chain = LLMChain(llm=llm, prompt=prompt_template)

# 运行链
result = chain.run("colorful socks")
print(result)

在这个例子中，我们定义了一个简单的链，它包含一个提示模板和一个LLM。当我们运行这个链时，它会根据输入生成一个公司名称。

1.2 LCEL构建与调度Agent

Agent是LangChain中的另一个重要概念，它是一个智能体，可以根据输入执行一系列的操作。Agent通常包含一个或多个链，并且可以根据输入动态地选择和执行这些链。

LCEL不仅可以用于构建链，还可以用于构建和调度Agent。通过LCEL，开发者可以定义Agent的行为和决策逻辑。例如，以下是一个简单的Agent的定义：

from langchain.agents import AgentExecutor, Tool
from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# 定义一个工具
def search(query):
    return "Some search results"

tools = [
    Tool(
        name="Search",
        func=search,
        description="useful for when you need to answer questions about current events"
    )
]

# 定义一个提示模板
prompt_template = PromptTemplate(
    input_variables=["input"],
    template="You are a helpful assistant. {input}"
)

# 定义一个LLM
llm = OpenAI(temperature=0.7)

# 创建一个链
chain = LLMChain(llm=llm, prompt=prompt_template)

# 创建一个Agent
agent = AgentExecutor.from_agent_and_tools(
    agent=chain,
    tools=tools,
    verbose=True
)

# 运行Agent
result = agent.run("What's the latest news on AI?")
print(result)

在这个例子中，我们定义了一个Agent，它包含一个链和一个工具。当我们运行这个Agent时，它会根据输入选择并执行相应的工具或链。

1.3 什么是图（Graph）

图（Graph）是一种数据结构，由节点（Node）和边（Edge）组成。节点表示实体或对象，边表示节点之间的关系。图可以用于表示复杂的关系和流程，广泛应用于计算机科学和人工智能领域。

在LangGraph中，图被用于表示和构建复杂的智能体应用。每个节点代表一个操作或步骤，边表示节点之间的依赖关系。通过定义节点和边，开发者可以构建复杂的流程和逻辑。

例如，以下是一个简单的图的定义：

from langgraph.graph import StateGraph

# 定义一个图
graph = StateGraph()

# 添加节点
graph.add_node("start")
graph.add_node("process")
graph.add_node("end")

# 添加边
graph.add_edge("start", "process")
graph.add_edge("process", "end")

# 运行图
graph.run()

在这个例子中，我们定义了一个简单的图，它包含三个节点和两条边。当我们运行这个图时，它会按照预定的顺序执行节点。

通过理解这些基本概念，开发者可以更好地利用LangGraph构建复杂的智能体应用。

LangGraph的驱动力

2.1 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：

  1. 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。
  2. 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。
  3. 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。

2.2 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：

  1. 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。
  2. 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。
  3. 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。

2.3 LangGraph诞生的动力

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：

  1. 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。
  2. 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。
  3. 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。
  4. 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。

LangGraph的设计思想

3.1 LangGraph的基本概念

LangGraph是一个用于构建复杂、可扩展AI代理的Python库，它使用基于图的状态机来管理和执行复杂的任务流程。LangGraph的核心概念包括：

  • State（状态）：表示应用程序当前的快照，可以是任何Python类型，但通常是TypedDict或Pydantic BaseModel。
  • Nodes（节点）：Python函数，接收当前状态作为输入，执行某些计算或副作用，并返回更新后的状态。
  • Edges（边）：控制流规则，决定基于当前状态的下一个要执行的节点。可以是条件分支或固定过渡。

通过组合Nodes和Edges，可以创建复杂的、循环的工作流，这些工作流会随着时间的推移而演化状态。

3.2 StateGraph的构建

StateGraph是LangGraph中的核心组件，用于定义和管理状态机的执行流程。构建StateGraph的基本步骤包括：

  1. 初始化StateGraph：

    from langgraph.graph import StateGraph

builder = StateGraph(dict)

  2. 定义节点（Nodes）：

    def my_node(state: dict):
    return {
     "results": f"Hello, {
       state['input']}!"}

builder.add_node("my_node", my_node)

  3. 定义边（Edges）：

    builder.add_edge(START, "my_node")
builder.add_edge("my_node", END)

3.3 Nodes与Edges的定义

Nodes的定义

Nodes是StateGraph中的基本执行单元，通常是Python函数。以下是一个简单的节点定义示例：

def my_node(state: dict):
    print("In node:", state)
    return {
   "results": f"Hello, {
     state['input']}!"}
Edges的定义

Edges定义了节点之间的控制流。以下是一个简单的边定义示例：

builder.add_edge(START, "my_node")
builder.add_edge("my_node", "other_node")
builder.add_edge("other_node", END)

3.4 编译与运行应用

在定义了所有的Nodes和Edges之后，需要编译StateGraph并运行应用。以下是编译和运行StateGraph的步骤：

  1. 编译StateGraph：

    graph = builder.compile()

  2. 运行StateGraph：

    result = graph.invoke({
     "input": "Will"})
print(result)  # 输出: {'results': 'Hello, Will!'}

通过上述步骤，可以构建一个简单的StateGraph并运行它。LangGraph的强大之处在于它可以处理复杂的、循环的工作流，并且能够管理状态的持久性和恢复。

通过深入理解LangGraph的基本概念、StateGraph的构建、Nodes与Edges的定义以及编译与运行应用的流程，开发者可以利用LangGraph构建复杂的、可扩展的AI代理应用。

LangGraph构建基础Agent

4.1 基础Agent的Graph实现

在LangGraph中，构建基础Agent的核心在于理解如何将Agent的行为和状态管理通过图（Graph）的形式进行组织和协调。LangGraph通过StateGraph的概念，允许开发者定义一个状态对象，并通过节点（Nodes）和边（Edges）来管理状态的更新和流转。

状态对象的定义

首先，我们需要定义一个状态对象，这个对象将作为图的状态传递给每个节点。对于基础Agent，我们通常会跟踪一些基本的状态信息，例如消息列表。

from typing import TypedDict, Annotated, Sequence
import operator
from langchain_core.messages import BaseMessage

class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], operator.add]

在这个例子中，AgentState是一个TypedDict，其中包含一个messages键，其值是一个消息列表。我们使用Annotated和operator.add来确保每次状态更新时，消息列表都会被添加新的消息，而不是被覆盖。

节点的定义

接下来，我们需要定义图中的节点。每个节点可以是一个函数，负责处理特定的任务。对于基础Agent，我们通常需要以下几个节点：

  1. Agent节点：负责决定下一步要采取的行动。
  2. 工具调用节点：如果Agent决定采取行动，这个节点将执行该行动。
from langgraph.prebuilt import ToolInvocation
import json
from langchain_core.messages import FunctionMessage

# 定义Agent节点
def call_model(state):
    messages = state['messages']
    response = model.invoke(messages)
    return
最低0.47元/天 解锁文章
【AI Agent系列】【LangGraph】0. 快速上手：协同LangChain，LangGraph帮你用图结构轻松构建多智能体应用
同学小张的博客
04-02 4639
LangGraph 是在 LangChain 的基础上实现的一个多智能体的运行框架。它扩展了LangChain表达式语言，能够以循环的方式在多个计算步骤中协调多个链（或参与者）。
使用Python和LangChain通过示例优化查询分析：构建智能化查询分解系统的完整指南
m0_57781768的博客
09-07 233
为了更好地展示查询分析器的功能，我们将定义一个包含主要查询（query）和子查询（sub_queries）的模式。子查询能够帮助我们更深入地挖掘问题中的各个组成部分，提供更精准的查询结果。# 子查询的描述如果原始问题包含多个独立的子问题，或是为了回答原始问题需要回答的更一般性的问题，请列出所有相关的子问题。确保此列表全面覆盖原始问题的所有部分。即使有些子问题存在重复，也可以接受。确保子问题尽可能专注且明确。"""# 定义查询的模式"""在一个关于构建LLM应用的软件库教程视频数据库中进行搜索的类。
零基础 LangGraph 多智能体开发
最新发布
Debroon
04-02 2231
想象你正在管理一个在线购物系统，系统状态包含：商品列表、总价、用户信息和折扣信息。​​​​​​​# 使用 TypedDictitems: List[Dict] # 购物车中的商品列表total: float # 总价user_id: str # 用户IDdiscount: float # 折扣率就像是为数据创建一个模板，确保所有节点（员工）都知道，它们可以期望哪些数据字段，以及每个字段的类型。# 主状态包含所有数据items: List[str] # 需要处理的项目列表。
用LangChain还是LangGraph？官方终于站出来表态了
Androiddddd的博客
03-16 1661
仅使用 LangChain仅使用 LangGraph同时使用 LangChain 和 LangGraph此外，你也可以将 LangGraph 的图结构编排能力与其他 Agent 框架（如微软的 AutoGen）结合，例如：将 AutoGen 的 Agent 作为 LangGraph 的节点LangChain 和 LangGraph 各有优势，选择合适的工具可能会让人感到困惑。那么，应该在什么情况下使用？线性任务（Linear Tasks）：文档检索、文本生成、摘要等预定义的工作流。
LangGraph从入门到实战
sinat_35153174的博客
03-19 1309
定义状态# 创建 graph# )# 定义一个执行节点# 调用大模型，并返回消息（列表）# 返回值会触发状态更新 add_messages# Prompt模板template = """请根据对话历史和下面提供的信息回答上面用户提出的问题:{input}"""# 检索 top-3 结果# 定义 rag查询节点else:# 填 prompt 模板。
LangGraph简介
大多_C的博客
06-01 1487
LangGraph是 LangChain 的一个扩展，旨在通过将步骤建模为图中的边缘和节点，构建具有大型语言模型（LLMs）的强大和有状态的多角色应用程序。LangGraph 提供了用于创建常见类型代理的高级接口，以及用于组合自定义流程的低级 API。
基于LangGraph多智能体技术，搭建AI写作自动化系统
m0_59164304的博客
07-12 1665
LangGraph是LangChain的增强版，专注于构建智能体及多智能体流程。其核心优势在于新增的循环流程构建功能以及内嵌的记忆机制，这些特性对于智能体的构建极为重要。LangGraph为开发者提供了高度的控制能力，这在自定义智能体和流程的开发中极为关键。市面上绝大多数的智能体都是针对特定应用场景进行了定制。LangGraph不仅赋予了开发者灵活定制智能体的能力，还提供了直观且易于操作的开发体验。
一步步教你LangGraph Studio：可视化调试基于LangGraph构建的AI智能体
m0_63171455的博客
09-29 9234
之前我们在第一时间介绍过使用LangChain的LangGraph开发复杂的RAG或者Agent应用，随着版本的迭代，LangGraph已经成为可以独立于LangChain核心，用于开发多步骤、面向复杂任务、支持循环的AI智能体的强大框架。近期LangGraph推出了一个使得复杂AI智能体开发更加高效的工具：LangGraph Studio，一个为可视化测试与调试基于LangGraph构建的AI智能体而设计的集成环境。本文将带领大家初步探索这个新的工具。1. 回顾LangGraph并创建测试智能体LangG
只需8步，手把手教你用LangGraph创建AI智能体
2401_85375186的博客
01-07 1860
LangGraph是LangChain的高级库，为大型语言模型（LLM）带来循环计算能力。它超越了LangChain的线性工作流，通过循环支持复杂的任务处理。状态：维护计算过程中的上下文，实现基于累积数据的动态决策。节点：代表计算步骤，执行特定任务，可定制以适应不同工作流。边：连接节点，定义计算流程，支持条件逻辑，实现复杂工作流。LangGraph简化了AI开发，自动管理状态，保持上下文，使AI能智能响应变化。它让开发者专注于创新，而非技术细节，同时确保应用程序的高性能和可靠性。
LangGraph 入门与实战
张伟的专栏
03-25 3352
工具的定义，可以参考这篇文章，写的比较详细了，比较方便的就是使用 tools 这个注解。雨飞：使用智普清言的Tools功能实现ToolAgentLangGraph 中最基础的类型是 StatefulGraph，这种图就会在每一个Node之间传递不同的状态信息。然后每一个节点会根据自己定义的逻辑去更新这个状态信息。具体来说，可以继承 TypeDict 这个类去定义状态，下图我们就定义了有四个变量的信息。input:这是输入字符串，代表用户的主要请求。
LangChain 深入指南：构建强大的 LLM 应用的核心架构
nseejrukjhad的博客
10-10 902
LangChain 为构建复杂的 LLM 应用提供了全面的支持。从基础架构到高级工具，它简化了开发过程，并提高了应用的稳定性和可扩展性。LangChain 官方文档LangGraph 文档LangSmith 使用指南。
探索LangChain：从基础到高级应用的全面指南
ppoojjj的博客
10-14 328
LangChain是一个强大的工具，支持从简单到复杂的大语言模型应用开发。LangChain官方文档LangGraph教程LangSmith教程。
使用LangChain实现具备对话历史的智能问答系统：全面指南
m0_57781768的博客
08-31 536
LangChain是一个用于构建复杂语言模型应用的框架。它提供了丰富的组件，帮助开发者轻松地将语言模型与其他系统集成。在本文中，我们将重点介绍如何利用LangChain来创建一个具有对话历史功能的智能问答系统。
用LangGraph搭建智能体—AI Agents in LangGraph（一）
l8947943的博客
07-20 1664
i = 0 # 控制循环轮次bot = Agent(prompt) # 初始化i += 1result = bot(next_prompt) # 每次将执行的结果，作为下一次提示词返回给模型] # Action函数用于得到过滤后的结果，用于获取后续函数执行时的输入和参数observation = known_actions[action](action_input) # 调用函数得到结果。
LangGraph介绍
谁怕平生太急
05-20 2519
找一个LangGraph的标准实例、结合代码可以有更好的掌握比较复杂的Agent流程、最好是多循环模式。敬请期待。
编程的未来 — 使用 LangGraph 的多智能体LLM框架
数智笔记
03-06 2183
LangGraph通过在循环图结构中利用大型语言模型的能力，增强了LangChain生态系统，从而实现了复杂智能体运行时的开发。LangGraph的关键组件LangGraph中的主要图类型是StatefulGraph，其由传递给每个节点的状态对象参数化。图中的节点返回操作以更新此状态，可以通过设置特定属性或添加到现有属性来完成此操作。LangGraph中的节点代表应用程序中负责特定任务的智能体组件。每个节点与状态对象交互，并根据其在智能体架构中的功能返回操作以更新它。
LangGraph
AI工程化、开源分享、文档翻译、代码笔记
04-05 2177
关于 LangGraph 安装 快速使用 与LCEL 交互 条件边 Cycles 设置工具 设置模型 定义代理状态 定义节点 定义图表 使用 流媒体 流式节点输出 流式 LLM Tokens 何时使用 操作指南 异步 流式 Tokens 持久化 人机交互 可视化图表 “时间旅行” 示例 ChatAgentExecutor：带函数调用 代理执行者 规划代理示例 反思/自我批评 多代理示例 网络研究 通过模拟评估 Chatbot 多模式示例 表链 文档 状态图 `__init__` `.add_node` `.
LangGraph入门教程
xnuscd的博客
10-16 2003
langgraph入门
用python编写langgraph使用工具的代码
10-16
LangGraph是一个用于分析文本语言结构的工具，通常它会涉及到自然语言处理（NLP）库，如NLTK、spaCy或jieba等。以下是使用Python编写一个简单的LangGraph基本框架的示例，这里假设我们有一个简单的词频统计功能： ```python import nltk from collections import Counter # 定义LangGraph工具类 class LangGraph: def __init__(self, text): self.text = text self.tokenizer = nltk.tokenize.word_tokenize # 使用nltk分词 self.counter = Counter(self.tokenizer(text)) def word_frequency(self): return self.counter.most_common() def top_words(self, n=10): return [word[0] for word in self.word_frequency()[:n]] # 使用例子 def main(): text = "这是一个简单的LangGraph工具演示文本。" lang_graph = LangGraph(text) print("Top 10高频词:") for word, freq in lang_graph.top_words(): print(f"{word}: {freq}") if __name__ == "__main__": main() ``` 在这个示例中，`LangGraph`类负责接收文本并进行分词，然后计算每个单词的频率。`top_words`方法返回最常见的前n个单词及其频率。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

我就是全世界

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值