【LangChain】LangChain agents 迁移至 LangGraph-CSDN博客

本文链接：https://blog.csdn.net/u013172930/article/details/147641795

代码中使用 initialize_agent 函数（通常用于创建 LangChain 代理，如 AgentExecutor），会触发 LangChainDeprecationWarning，提示虽然 LangChain 代理仍受支持，但新用例应使用 LangGraph，因为 LangGraph 提供更灵活、功能更强大的代理构建框架，支持工具调用、状态持久化和人机交互工作流。本文基于 LangChain 0.3.x，详细解释如何将基于 initialize_agent 的代理迁移到 LangGraph，并提供代码示例。

代码废弃告警：
LangChainDeprecationWarning: LangChain agents will continue to be supported, but it is recommended for new use cases to be built with LangGraph. LangGraph offers a more flexible and full-featured framework for building agents, including support for tool-calling, persistence of state, and human-in-the-loop workflows. For details, refer to the LangGraph documentation <https://langchain-ai.github.io/langgraph/>_ as well as guides for Migrating from AgentExecutor <https://python.langchain.com/docs/how_to/migrate_agent/>_ and LangGraph’s Pre-built ReAct agent <https://langchain-ai.github.io/langgraph/how-tos/create-react-agent/>_.
agent = initialize_agent( ……

为什么需要迁移？

initialize_agent 和 AgentExecutor 是 LangChain 早期用于快速创建代理的工具，适合简单的工具调用场景，但存在以下局限：

灵活性不足：代理逻辑（如 ReAct 提示）较为固定，难以定制复杂的工作流。
状态管理有限：不支持跨会话的状态持久化或错误恢复。
工具调用兼容性：对现代聊天模型的工具调用支持不够完善（如 OpenAI 的 gpt-4o）。
扩展性差：不适合多步骤、多用户或人机交互的复杂场景。

LangGraph 是 LangChain 推荐的新框架，优势包括：

基于图的灵活性：通过节点和边定义代理工作流，支持高度定制化。
状态持久化：使用检查点（如 MemorySaver）保存对话和代理状态，支持多会话和错误恢复。
现代工具调用：与最新聊天模型的工具调用 API 无缝集成。
人机交互：支持人工干预的工作流，便于人机协作。
预构建代理：提供开箱即用的 ReAct 代理，简化从 AgentExecutor 的迁移。

官方建议参考以下资源：

迁移步骤

以下是将基于 initialize_agent 的代理迁移到 LangGraph 的详细步骤，假设原代码使用 OpenAI 模型和工具调用。

1. 分析原始代码

假设你的代码使用 initialize_agent 创建一个带工具的 ReAct 代理，如下：

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain.agents import initialize_agent, AgentType
from langchain.chat_models import ChatOpenAI
from langchain.tools import Tool

# 定义工具
def search_web(query):
    # 模拟网络搜索 API
    return f"搜索 {query} 的结果：[示例内容]"

tools = [
    Tool(
        name="WebSearch",
        func=search_web,
        description="搜索网络以获取信息"
    )
]

# 初始化 LLM
llm = ChatOpenAI(temperature=0, model="gpt-4o")

# 初始化代理
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 调用代理
response = agent.run("纽约的天气如何？")
print(response)

输出示例：

[代理使用 WebSearch 工具] 纽约的天气是晴天，最高气温 24°C。

问题：

initialize_agent 已不推荐，需迁移到 LangGraph。
langchain.chat_models.ChatOpenAI 已废弃，需替换为 langchain_openai.ChatOpenAI。
需要在 LangGraph 中实现工具调用和代理逻辑。

2. 安装必要依赖

确保安装 LangChain 0.3.x、LangGraph 和 langchain-openai：

pip install --upgrade langchain langchain-openai langgraph langchain-community

3. 迁移到 LangGraph 的预构建 ReAct 代理

LangGraph 提供了 create_react_agent 函数，可直接替代 ReAct 代理。以下是迁移后的代码：

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent

# 定义工具
@tool
def search_web(query: str) -> str:
    """搜索网络以获取信息。"""
    # 模拟网络搜索 API
    return f"搜索 {query} 的结果：[示例内容]"

tools = [search_web]

# 初始化 LLM
llm = ChatOpenAI(temperature=0, model="gpt-4o-mini")

# 创建 LangGraph ReAct 代理
agent = create_react_agent(llm, tools)

# 调用代理
response = agent.invoke({"messages": [{"role": "human", "content": "纽约的天气如何？"}]})
for message in response["messages"]:
    if message["role"] == "assistant":
        print(message["content"])

输出示例：

[代理使用 search_web 工具] 纽约的天气是晴天，最高气温 24°C。

代码说明

OpenAI API 密钥：
- 通过 os.environ["OPENAI_API_KEY"] 设置，确保 OpenAI 模型正常调用。
- 将 "Your OpenAI API Key" 替换为你的实际密钥。
LLM：
- 使用 langchain_openai.ChatOpenAI 替代 langchain.chat_models.ChatOpenAI。
- 设置 model="gpt-4o-mini"，支持工具调用，性价比高。
工具定义：
- 使用 @tool 装饰器替代 Tool 类，接口更简洁。
- search_web 函数逻辑不变，描述写在 docstring 中。
代理创建：
- create_react_agent 创建 ReAct 代理，自动实现 ZERO_SHOT_REACT_DESCRIPTION 的推理+行动逻辑。
调用：
- 输入为包含 messages 的字典，消息格式为 {"role": "human", "content": "..."}。
- 输出为状态字典，提取 assistant 角色的消息内容。

4. 添加状态持久化（可选）

LangGraph 支持通过 MemorySaver 持久化代理状态（消息和工具调用）。以下是添加持久化的代码：

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import MemorySaver
import uuid

# 定义工具
@tool
def search_web(query: str) -> str:
    """搜索网络以获取信息。"""
    return f"搜索 {query} 的结果：[示例内容]"

tools = [search_web]

# 初始化 LLM
llm = ChatOpenAI(temperature=0, model="gpt-4o-mini")

# 初始化内存
memory = MemorySaver()

# 创建 LangGraph ReAct 代理
agent = create_react_agent(llm, tools, checkpointer=memory)

# 生成唯一会话 ID
session_id = str(uuid.uuid4())

# 调用代理
response = agent.invoke(
    {"messages": [{"role": "human", "content": "纽约的天气如何？"}]},
    config={"configurable": {"thread_id": session_id}}
)
for message in response["messages"]:
    if message["role"] == "assistant":
        print(message["content"])

# 继续对话
response = agent.invoke(
    {"messages": [{"role": "human", "content": "明天呢？"}]},
    config={"configurable": {"thread_id": session_id}}
)
for message in response["messages"]:
    if message["role"] == "assistant":
        print(message["content"])

输出示例：

[代理使用 search_web 工具] 纽约的天气是晴天，最高气温 24°C。
[代理使用 search_web 工具] 明天纽约的天气是多云，最高气温 22°C。

说明：

MemorySaver：在每次调用后保存代理状态（消息、工具调用），通过 thread_id 区分会话。
thread_id：使用 UUID 确保多用户会话隔离。
持久化：代理跨调用保留上下文，支持连续对话。

5. 使用数据库存储（可选）

若需生产环境中持久化状态，可使用 SQLite 代替内存存储：

from langgraph.checkpoint.sqlite import SqliteSaver

# 替换 MemorySaver 为 SqliteSaver
memory = SqliteSaver.from_conn_string("agent_state.db")
agent = create_react_agent(llm, tools, checkpointer=memory)

状态将存储在 SQLite 数据库（agent_state.db），支持应用重启后恢复。

6. 测试与验证

运行迁移后的代码，确认代理正确响应并调用工具。
若启用持久化，测试同一 thread_id 的多轮对话，验证状态保留。
检查 OpenAI API 密钥有效性，避免 AuthenticationError。
对比原始 AgentExecutor 的输出，确保功能一致。

注意事项

API 密钥安全：
- 避免硬编码密钥，推荐使用 .env 文件和 python-dotenv：
```
from dotenv import load_dotenv
load_dotenv()  # 从 .env 文件加载 OPENAI_API_KEY
```
- 确保密钥有权访问指定模型（如 gpt-4o-mini）。
模型选择：
- gpt-4o-mini 性价比高，支持工具调用。
- 其他选项：gpt-4o（更高性能）或 gpt-3.5-turbo（更低成本）。
- 参考 OpenAI 模型文档。
工具兼容性：
- @tool 装饰器要求工具返回字符串或 JSON 兼容输出。
- 复杂工具可使用 langchain_core.tools.StructuredTool。
日志输出：
- 原始代码的 verbose=True 可通过 LangGraph 的调试日志或自定义日志实现。
LangGraph vs. AgentExecutor：
- 简单 ReAct 代理用 create_react_agent 即可。
- 复杂工作流（如条件逻辑、人机交互）需自定义 LangGraph 图，参考 LangGraph 教程。