LangChain 83 LangGraph 从入门到精通五

最新推荐文章于 2025-07-13 09:00:00 发布

原创最新推荐文章于 2025-07-13 09:00:00 发布 · 1.6k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #langsmith #llm #chatgpt #langgraph

LLM-Large Language Models 专栏收录该内容

192 篇文章

订阅专栏

本文介绍了LangChain系列文章中涉及的LangChain表达式语言的多个方面，包括链透传参数、代理、生成代码、审查机制、搜索工具集成等。文章详细展示了如何使用预构建组件如ToolExecutor和创建聊天模型、Agent的图表。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

LangChain系列文章

在这里插入图片描述

1. Graph

from langgraph.graph import Graph

graph = Graph()

这个接口和 StateGraph 一样，唯一的区别是它不会随着时间更新状态对象，而是依赖于在每一步传递完整的状态。这意味着从一个节点返回的任何东西都是下一个节点的输入。

2. END

from langgraph.graph import END

这是表示图结束的特殊节点。这意味着传递到这个节点的任何内容都将成为图的最终输出。它可以在两个地方使用：

作为add_edge中的end_key
作为传递给add_conditional_edges的conditional_edge_mapping中的一个值

3. 预先构建的示例

我们还添加了一些方法，以便轻松使用常见的、预先构建的图形和组件。

3.1 ToolExecutor

from langgraph.prebuilt import ToolExecutor

这是一个简单的帮助类，用于调用工具。它是由一系列工具的参数化的：

tools = [...]
tool_executor = ToolExecutor(tools)

然后它暴露一个可运行的接口 runnable interface。它可以用来调用工具：您可以传入一个AgentAction，它将查找相关工具并使用适当的输入调用它。

3.2 `chat_agent_executor.create_function_calling_executor`

from langgraph.prebuilt import chat_agent_executor

这是一个用于创建与利用函数调用的聊天模型配合工作的图表的辅助函数。可以通过传入一个模型和一个工具列表来创建。模型必须是支持OpenAI函数调用的模型。

from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langgraph.prebuilt import chat_agent_executor
from langchain_core.messages import HumanMessage

tools = [TavilySearchResults(max_results=1)]
model = ChatOpenAI()

app = chat_agent_executor.create_function_calling_executor(model, tools)

inputs = {"messages": [HumanMessage(content="what is the weather in sf")]}
for s in app.stream(inputs):
    print(list(s.values())[0])
    print("----")

3.3 create_agent_executor

from langgraph.prebuilt import create_agent_executor

这是一个用于创建与LangChain Agents一起工作的图表的辅助函数。可以通过传入一个代理和一个工具列表来创建。

from langgraph.prebuilt import create_agent_executor
from langchain_openai import ChatOpenAI
from langchain import hub
from langchain.agents import create_openai_functions_agent
from langchain_community.tools.tavily_search import TavilySearchResults

tools = [TavilySearchResults(max_results=1)]

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/openai-functions-agent")

# Choose the LLM that will drive the agent
llm = ChatOpenAI(model="gpt-3.5-turbo-1106")

# Construct the OpenAI Functions agent
agent_runnable = create_openai_functions_agent(llm, tools, prompt)

app = create_agent_executor(agent_runnable, tools)

inputs = {"input": "what is the weather in sf", "chat_history": []}
for s in app.stream(inputs):
    print(list(s.values())[0])
    print("----")