零基础手把手大模型应用开发之LangGraph教程（一）：什么是LangGraph？与LangChain的区别？【附详细代码】

随着人工智能和自然语言处理技术的不断发展，构建更复杂和动态的计算模型变得越来越重要。LangGraph应运而生，通过扩展LangChain的功能，为大型语言模型（LLM）应用添加了循环计算能力。即大模型不再只是端到端的推理，而是能根据业务逻辑以及上一次推理的反馈，决策下一次推理。

本节教程代码仓库：https://github.com/tangyipeng100/LangGraph_tutorial/blob/master/LangGraph_Tutorial_lesson_1.ipynb
完整教程代码：https://github.com/tangyipeng100/LangGraph_tutorial/tree/master

1.什么是LangGraph？

首先一句话概括LangGraph：可以实现基于LLM智能助手（LLM Agent）的神仙框架！

LangGraph是在LLM和LangChain的基础之上发展而来，LangGraph库本身基于LangChain库，如下图所示。如果仅使用LLM，一般用于实现无外部工具、无反馈的问答任务；基于LangChain，则可实现依赖外部工具或外部数据库的问答任务；基于LangGraph，则可以实现可实现依赖外部工具或外部数据库且有反馈的问答任务。如下图的例子，用户希望撰写一个文案，如果只用LLM，则给出LLM一个指令，让其反馈写好的文案；如果基于LangChain，则可在调用搜索引擎获得检索知识的基础上，撰写文案；如果基于LangGraph，则可以实现在LangChain的基础上，对检索的知识和撰写的文案内容进行筛选、判别、修正，最后输出需要的文案。理论上，用户可以通过程序设计，在已有LLM的基础上实现类似LangGraph提供的功能，但这样每个功能都需要重新设计一套架构。LangGraph则将这样的功能做了模块化和集成，可加速基于LLM项目的落地。

2.没有算力，不懂LLM，不懂LangChain，可不可以学LangGraph？

完全可以。使用LangGraph开发的LLM项目，无需对LLM进行训练、微调等，可以完全将LLM看作一个黑盒，开发过程中一般只是调用LLM进行文本输入输出，大多数通过API实现，对本地算力基本无任何要求（能跑通一个python for循环的电脑即可，也可使用云代码编辑器实现，后面的课程会逐步提供）。

至于LangChain，实际就是LangGraph的一部分，因此在学习LangGraph的过程中会逐步学习LangChain的使用。并且LangGraph是比LangChain更强大的工具，是完全可以向下兼容的！

3.核心概念

3.1. 状态图

LangGraph的核心是状态图。图中的每个节点代表计算的一个步骤，整个图维护一个状态，随着计算的进行不断传递和更新。这样的状态图使得计算模型更具动态性和灵活性。

3.2. 节点

节点是LangGraph的基本构建块，每个节点代表一个特定的功能或计算步骤，如处理输入、做出决策或与外部API交互。通过定义不同任务的节点，可以创建模块化和可重用的图。

3.3. 边

边连接图中的节点，定义计算的流程。LangGraph支持条件边，允许根据图的当前状态动态决定下一个执行的节点。这种条件边为构建复杂应用提供了必要的灵活性和适应性。

4.LangGraph与LangChain的区别

本小节从框架架构的角度进一步介绍LangGraph与LangChain的区别。

4.1. 循环计算

LangChain适用于创建线性无环图，适合简单应用。而LangGraph引入了循环计算，允许节点根据图的状态被多次访问，这对需要迭代处理、反馈循环和复杂决策的应用至关重要。

4.2. 状态执行

LangChain的计算流程通常是无状态的，各步骤相互独立。LangGraph的状态执行模型则不断更新和传递状态，使计算更加上下文感知和适应性强，特别适合需要持续上下文的任务，如对话管理和多轮交互。

4.3. 条件逻辑

LangChain支持线性链，而LangGraph通过条件边增强了这一功能。条件边允许图根据当前状态改变执行路径，实现复杂的分支逻辑和动态决策，这对于实时响应不同输入和状态的应用尤为重要。

5.代码示例

为了初步上手 LangGraph，此处创建一个简单的基于LangGraph的应用。这个并逐步分析每一行代码。

配置环境（python环境建议大于3.8）

pip install dashscope langchain langgraph
pip install langchain-community langchain-core
pip install httpx

初始化模型和 MessageGraph

from langchain_community.llms import Tongyi
from langchain_core.messages import HumanMessage
from langgraph.graph import END, MessageGraph
import os
os.environ["DASHSCOPE_API_KEY"] = 'sk-2c6b041cb04c44f9a0787015c7a472e8'#为了便于调试，这儿提供了通义千问模型的API key，大家可以替换成自己的key

model = Tongyi()
graph = MessageGraph()

首先，我们导入必要的库和模块，并设置 API 密钥。为方便调试，此处调用阿里dashscope提供的qwen-plus模型，获取qwen-plus api-key可访问此（支付宝扫码获得上述代码格式key即可）。然后，初始化了 Tongyi 模型和一个 MessageGraph 实例。MessageGraph 是我们将要构建的计算图。

添加节点

graph.add_node("oracle", model)

接下来，我们向图中添加一个名为 "oracle" 的节点，这个节点会调用模型处理给定的输入。add_node 方法的第一个参数是节点的名称，第二个参数是该节点执行的具体操作，这里是调用 Tongyi 模型。

添加边

graph.add_edge("oracle", END)

我们添加了一条从 "oracle" 节点到特殊字符串 END ("__end__") 的边。这意味着在 "oracle" 节点执行完毕后，计算将结束。

设置入口点

graph.set_entry_point("oracle")

我们将 "oracle" 节点设置为图的入口点，这意味着计算将从这个节点开始。

编译图并输出

runnable = graph.compile()
print(runnable.invoke(HumanMessage("What is 1 + 1?")))#输出：[HumanMessage(content='What is 1 + 1?', id='3adc686d-dac0-43cb-9022-4c8644e61866'), HumanMessage(content='1 + 1 is equal to 2.', id='1d2affcc-b157-48f7-a621-eabd3bf97270')]

当我们执行LangGraph程序时：

1. LangGraph 将输入消息添加到内部状态，然后将状态传递给入口节点 "oracle"。
2. "oracle" 节点执行，调用聊天模型。
3. 聊天模型返回一个 AIMessage。LangGraph 将其添加到状态中。
4. 执行进展到特殊的 END 值并输出最终状态。

以下是完整的代码：

from langchain_community.llms import Tongyi
from langchain_core.messages import HumanMessage
from langgraph.graph import END, MessageGraph
import os
os.environ["DASHSCOPE_API_KEY"] = 'sk-2c6b041cb04c44f9a0787015c7a472e8'

model = Tongyi()

graph = MessageGraph()

graph.add_node("oracle", model)
graph.add_edge("oracle", END)

graph.set_entry_point("oracle")

runnable = graph.compile()
print(runnable.invoke(HumanMessage("What is 1 + 1?")))
#输出：[HumanMessage(content='What is 1 + 1?', id='3adc686d-dac0-43cb-9022-4c8644e61866'), HumanMessage(content='1 + 1 is equal to 2.', id='1d2affcc-b157-48f7-a621-eabd3bf97270')]

执行上述代码后，我们将获得两个聊天消息的输出列表。这个LangGraph应用看起来实现的功能和一个简单的LLM没什么区别，但不要着急，本节只是让大家先把LangGraph跑起来，想体验它的强大功能，在后续的章节我们会提供更多LangGraph项目例子，一起体验LangGraph的强大吧！

6.结论

LangGraph通过扩展LangChain的功能，引入循环计算和状态执行，显著提升了LLM应用的能力。无论是开发交互式代理、复杂决策系统还是迭代处理模型，LangGraph都提供了所需的工具和灵活性，使您能够创造更智能和响应更迅速的应用。LangGraph以其循环计算、状态执行和条件逻辑，成为开发者探索LLM应用新可能的关键工具。
最后，欢迎各位转发、订阅、点赞。代码中有任何问题欢迎评论交流。