020-LangGraph Agent实现分析

最新推荐文章于 2025-11-07 20:26:46 发布

原创最新推荐文章于 2025-11-07 20:26:46 发布 · 883 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #AI大模型应用开发 #LangGraph #Python

LangGraph使用示例专栏收录该内容

33 篇文章

订阅专栏

1. 案例目标

本案例展示了如何使用LangGraph构建一个集成网络搜索工具的智能代理(Agent)，使其能够根据用户输入智能决定何时调用网络搜索工具，从而获取最新信息并提供更准确的回答。

主要目标包括：

将网络搜索工具集成到大型语言模型(LLM)中
实现条件路由，根据是否调用搜索工具来决定工作流程
创建一个能够利用实时网络数据有效响应的聊天机器人

2. 技术栈与核心依赖

LangGraph: 用于构建有状态、多参与者应用程序的框架
LangChain: 提供LLM集成和工具调用能力
LangChain Community: 提供社区维护的工具和集成
TavilySearchResults: 用于网络搜索的工具
LangChain OpenTutorial: 教程包，包含设置API密钥的功能
ChatOpenAI: OpenAI的聊天模型接口
TypedDict: 用于定义状态结构

3. 环境配置

首先需要安装必要的依赖包：

%pip install langchain-opentutorial
from langchain_opentutorial import package

package.install(
    [
        "langchain_community",
        "langchain_openai",
        "langchain_core",
        "langgraph",
        "langsmith"
    ],
    verbose=False,
    upgrade=False,
)

然后设置环境变量：

from langchain_opentutorial import set_env

set_env(
    {
        "OPENAI_API_KEY": "your-openai-api-key",
        "TAVILY_API_KEY": "your-tavily-api-key",
        "LANGCHAIN_TRACING_V2": "true",
        "LANGCHAIN_ENDPOINT": "https://api.smith.langchain.com",
        "LANGCHAIN_PROJECT": "Agent-with-LangGraph",
    }
)

这些密钥将用于访问OpenAI的语言模型和Tavily的搜索功能。

4. 案例实现

4.1 创建搜索工具

使用TavilySearchResults创建搜索工具：

from langchain_community.tools import TavilySearchResults

# 创建搜索工具
tool = TavilySearchResults(
    max_results=3,
    include_answer=True,
    include_raw_content=True,
    include_images=True,
)

4.2 定义状态

使用TypedDict定义状态结构，并使用add_messages函数管理消息历史：

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph.message import add_messages

# 定义状态模式
class State(TypedDict):
    # 对列表类型应用add_messages以启用消息添加
    messages: Annotated[list, add_messages]

4.3 初始化LLM并绑定工具

from langchain_openai import ChatOpenAI

# 初始化LLM
llm = ChatOpenAI(model="gpt-4o-mini")

# 将工具绑定到LLM
llm_with_tools = llm.bind_tools(tools)

4.4 定义节点函数

# 定义节点函数
def chatbot(state: State):
    # 使用提供的消息调用带工具的LLM
    answer = llm_with_tools.invoke(state["messages"])
    # 返回更新的消息（自动应用add_messages）
    return {"messages": [answer]}

4.5 创建工具节点

import json
from langchain_core.messages import ToolMessage

class BasicToolNode:
    """运行最后AIMessage节点中请求的工具"""

    def __init__(self, tools: list) -> None:
        # 工具列表
        self.tools_list = {tool.name: tool for tool in tools}

    def __call__(self, inputs: dict):
        # 如果消息存在，提取最新消息
        if messages := inputs.get("messages", []):
            message = messages[-1]
        else:
            raise ValueError("输入中未找到消息")

        # 工具调用的结果
        outputs = []
        for tool_call in message.tool_calls:
            # 调用工具并存储结果
            tool_result = self.tools_list[tool_call["name"]].invoke(tool_call["args"])
            outputs.append(
                # 将工具调用结果存储为消息
                ToolMessage(
                    content=json.dumps(
                        tool_result, ensure_ascii=False
                    ),  # 将工具调用结果转换为字符串
                    name=tool_call["name"],
                    tool_call_id=tool_call["id"],
                )
            )

        return {"messages": outputs}

# 创建工具节点
tool_node = BasicToolNode(tools=[tool])

4.6 创建图并添加节点

from langgraph.graph import StateGraph, START, END

# 使用定义的状态模式初始化状态图
graph_builder = StateGraph(State)

# 将聊天机器人节点添加到图中
graph_builder.add_node("chatbot", chatbot)

# 将工具节点添加到图中
graph_builder.add_node("tools", tool_node)

4.7 定义条件路由

# 定义路由函数
def route_tools(state: State):
    if messages := state.get("messages", []):
        # 提取最新的AI消息
        ai_message = messages[-1]
    else:
        # 如果没有找到消息，抛出错误
        raise ValueError(f"工具边缘的输入状态中未找到消息: {state}")

    # 检查AI消息中的工具调用
    if hasattr(ai_message, "tool_calls") and len(ai_message.tool_calls) > 0:
        # 如果有工具调用，路由到"tools"
        return "tools"
    # 如果没有工具调用，路由到"END"
    return END

# 向图中添加条件边
graph_builder.add_conditional_edges(
    source="chatbot",
    path=route_tools,
    # 将返回值映射到特定节点
    path_map={"tools": "tools", END: END},
)

# 定义额外的边
graph_builder.add_edge("tools", "chatbot")  # 工具执行后返回聊天机器人
graph_builder.add_edge(START, "chatbot")    # 从聊天机器人节点开始

# 编译图
graph = graph_builder.compile()

4.8 运行代理

inputs = {"messages": "Search for information about the TED YouTube channel"}

for event in graph.stream(inputs, stream_mode="values"):
    for key, value in event.items():
        print(f"\n==============\nSTEP: {key}\n==============\n")
        print(value[-1])