AI创想

标题: LangGraph V1.0入门教程：轻松构建复杂Agent应用，小白也能学会！收藏必备 [打印本页]
作者: AI小编    时间: 前天 09:12
标题: LangGraph V1.0入门教程：轻松构建复杂Agent应用，小白也能学会！收藏必备
作者：CSDN博客
本文介绍了LangGraph V1.0及其与LangChain的关系，重点讲解了LangGraph的核心能力，包括持久执行、人在环路、综合记忆和可视化调试等。通过一个计算器Agent的实例，详细阐述了如何使用LangGraph API构建复杂Agent应用。LangGraph以其图结构清晰地描述和控制Agent执行流程，特别适合构建复杂、多步骤、可恢复的Agent系统，是开发者的必备工具。
文中所有示例代码：https://github.com/wzycoding/langchain-study
一、什么是LangGraph

1.1 LangGraph 和 LangChain 的关系

LangGraph 是一个基于图结构的 Agent 编排框架，专注于描述和控制 Agent 的执行流程。它可以独立使用，也可以与 LangChain 结合，用于更方便地调用模型、工具和记忆组件。
通过LangGraph可以轻松构建出可靠的Agent应用。LangGraph并不依赖于LangChain，但是配合LangChain使用可以发挥更好的效果。
1.2 LangGraph核心能力

LangGraph具有以下核心能力：
Durable execution：持久执行，能够在执行失败后恢复继续执行，而无需从头开始，类似文件传输的断点续传机制，非常适合长时间运行、复杂的多步骤任务。
Human-in-the-loop：人在环路，在任务执行过程中允许人工介入，用于确认是否执行关键操作。
Comprehensive Memory：提供统一的状态与记忆管理能力，通过 State 和 Checkpoint 机制支持短期上下文保留，并可与 LangChain 的 Memory 或外部存储系统结合，实现长期记忆能力。短期记忆可以让AI记住最近几轮对话的信息，长期记忆可以让AI了解历史对话聊天的总结信息。
Debugging with LangSmith：可视化调试，可以无缝集成LangSmith进行可视化调试和监控
Production-ready Deployment：在配合持久化、错误恢复和监控体系的前提下，LangGraph 非常适合用于生产级 Agent 应用的构建。
二、快速入门LangGraph

2.1 LangGraph安装

创建项目并安装 LangGraph。
  1. pip install -U langgraph
复制代码
在使用LangGraph时，通常要调用LLM模型，可以直接调用LLM也可以使用LangChain，一般使用LangChain会更加便捷，安装LangChain的命令如下，注意这里使用LangChain的最低Python版本为3.10+。
  1. pip install -U langchain
复制代码
安装dotenv来进行配置的读取。
  1. pip install python-dotenv
复制代码
2.2  LangGraph 提供的两种构建方式

在LangGraph中，提供了两种API来构建Agent应用：
本专栏将会以LangGraph API为例，来介绍如何使用LangGraph API构建复杂Agent应用。
2.3 构建Agent基本步骤

LangGraph底层采用图结构来构建Agent应用，而构建图主要是构建图的节点和边，使用LangGraph构建Agent主要包括以下步骤：
(, 下载次数: 0)


三、构建第一个LangGraph Agent

下面我们要构建一个计算器Agent，该Agent的图结构如下，从START节点出发，进入到LLM节点，执行完LLM节点之后，判断是否需要工具调用，如果需要工具调用，则进入工具节点，工具调用完成后再回到LLM节点，直到不需要工具调用，才走到END节点。
(, 下载次数: 0)


下面我们来一起动手实现这个Agent。
3.1 前置准备工作

首先在.env文件中配置 OpenAI模型的密钥。
  1. OPENAI_API_KEY=sk-***************************
  2. OPENAI_API_BASE=https://****/v1
复制代码
在程序中对配置进行读取
  1. import dotenv
  2. dotenv.load_dotenv()
复制代码
定义LLM 对象，这里使用gpt-4o-mini模型
  1. llm = init_chat_model("gpt-4o-mini",
  2.     temperature=0)
复制代码
定义计算加减乘除四个工具：
  1. @tool
  2. def add_two_numbers(a: int, b: int) -> int:
  3.     """两个数相加 `a` 和 `b`.
  5.     Args:
  6.         a: 第一个整数
  7.         b: 第二个整数
  8.     """
  9.     return a + b
  12. @tool
  13. def sub_two_numbers(a: int, b: int) -> int:
  14.     """两个数相减 `a` 和 `b`.
  16.     Args:
  17.         a: 第一个整数
  18.         b: 第二个整数
  19.     """
  20.     return a - b
  23. @tool
  24. def multi_two_numbers(a: int, b: int) -> int:
  25.     """两个数相乘 `a` 和 `b`.
  27.     Args:
  28.         a: 第一个整数
  29.         b: 第二个整数
  30.     """
  31.     return a * b
  34. @tool
  35. def divide_two_numbers(a: int, b: int) -> int:
  36.     """两个数相除 `a` 和 `b`.
  38.     Args:
  39.         a: 第一个整数
  40.         b: 第二个整数
  41.     """
  42.     return a / b
复制代码
之后将工具绑定到LLM对象上
  1. # 2.将工具绑定到LLM
  2. tools =[add_two_numbers, sub_two_numbers, multi_two_numbers, divide_two_numbers]
  3. llm_with_tool = llm.bind_tools(tools)# 3.生成工具名称->工具对象的映射
  4. tools_by_name ={tool.name: tool fortoolin tools}
复制代码
3.2 定义图状态数据

在状态数据中，因为其他节点间没有其他需要共享的中间数据，所以只定义了消息列表。
此外，在消息列表中，还指定了operator.add作为归纳函数，如果不指定归纳函数，当节点返回消息列表时，默认就会对消息列表数据进行覆盖，而使用operator.add则会将节点返回的消息添加到消息列表中。
  1. # 4.定义State
  2. class MessagesState(TypedDict):
  3.     # 图运行的消息列表
  4.     messages: Annotated[list[AnyMessage], operator.add]
复制代码
3.3 定义LLM节点

在LangGraph中节点本质上就是一个函数，入参传递图状态数据，在节点内部可以对图状态数据进行读取，返回需要更新的图状态数据。
在LLM节点中，调用LLM并传递消息列表，最终将AI生成的AIMessage返回，LangGraph会将消息添加到消息列表中。
  1. # 5.定义llm节点
  2. def llm_node(state: MessagesState):
  3.     """调用LLM节点"""
  4.     ai_message = llm_with_tool.invoke(state["messages"])return{"messages":[ai_message]}
复制代码
3.4 定义工具节点

在工具节点内部，读取消息列表的的最后一条消息，因为调用完LLM节点之后才会调用工具节点，所以最后一条消息一定是AIMessage。
由于可能存在多个工具调用，需要循环AIMessage的tool_calls属性，如果存在工具调用，则根据工具名称获取工具，之后，调用工具并传入调用参数，最终将工具执行的结果构造成工具消息。
最后，将工具消息列表返回。
  1. # 6.定义工具节点
  2. def tool_node(state: MessagesState):
  3.     """工具调用"""
  4.     tool_messages =[]fortool_callin state["messages"][-1].tool_calls:
  5.         tool = tools_by_name[tool_call["name"]]
  6.         tool_output = tool.invoke(tool_call["args"])
  7.         tool_messages.append(ToolMessage(content=tool_output,
  8.             tool_call_id=tool_call["id"],
  9.             name=tool_call["name"],
  10.         ))return{"messages": tool_messages
  11.     }
复制代码
3.5 定义条件边路由函数

由于从 LLM 节点可能存在两条执行路径：第一种是需要调用工具，则会走到工具节点，第二种是LLM无需调用工具，则直接走到END结束节点。
因此要编写一个如下的条件边路由函数，在函数内部需要判断最后一条消息也就是AIMessage的tool_calls属性是否存在，如果存在则返回tool表示走到工具节点，否则直接走到结束节点，图的执行流程结束。
  1. # 7.条件边路由函数
  2. def llm_tool_route(state: MessagesState) -> Literal["tool", END]:
  3.     """工具调用和LLM调用的边路由"""
  4.     if state["messages"][-1].tool_calls:
  5.         return"tool"return END
复制代码
3.6 创建图、节点、边

首先，我们创建一个图，并向图中添加LLM节点和工具节点。接下来，我们创建边来连接这些节点：将图的入口设置为LLM节点，并为这个LLM节点添加条件边。这些条件边需要指定一个路由函数，以决定下一步执行哪个节点。
最后，我们添加从工具节点回到LLM节点的边，这保证了工具节点执行完成后，会再次执行LLM节点。
  1. graph = StateGraph(MessagesState)
  3. graph.add_node("llm", llm_node)
  4. graph.add_node("tool", tool_node)
  6. graph.set_entry_point("llm")
  7. graph.add_conditional_edges("llm", llm_tool_route, ["tool", END])
  8. graph.add_edge("tool", "llm")
复制代码
3.7 编译并运行图

接下来，对图进行编译生成Runnable可运行组件，调用该可运行组件并传入初始化的图状态数据，在消息列表中插入一条人类消息，调用图结束后，会将最终的图状态数据返回。
最终，循环打印图状态数据中的消息列表，并进行输出。
  1. # 9.编译并运行图
  2. agent = graph.compile()
  3. state = agent.invoke({"messages":[HumanMessage(content="请计算1+1")]})formessagein state["messages"]:
  4.     message.pretty_print()
复制代码
执行结果如下：
  1. ================================ Human Message =================================
  3. 请计算1+1
  4. ================================== Ai Message ==================================
  5. Tool Calls:
  6.   add_two_numbers (call_cKQBhEo7nhLHNeFca1ek6x3K)
  7. Call ID: call_cKQBhEo7nhLHNeFca1ek6x3K
  8.   Args:
  9.     a: 1
  10.     b: 1================================= Tool Message =================================
  11. Name: add_two_numbers
  13. 2================================== Ai Message ==================================1 + 1 的结果是 2。
复制代码
四、总结

本文系统介绍了 LangGraph 的定位、核心能力以及最基础的使用方式，并通过一个完整的示例，带大家从零构建了第一个基于图结构的 Agent 应用。
首先，我们明确了 LangGraph 与 LangChain 的关系，接着，重点介绍了 LangGraph 的几项核心能力，这些能力决定了 LangGraph 非常适合用来构建复杂、多步骤、可恢复的 Agent 系统，而不仅仅是一次性的对话调用。
在实战部分，我们通过一个计算器Agent的示例，完整走了一遍 LangGraph 的基本开发流程，通过这个例子可以看到，LangGraph 能够将 Agent 的执行流程清晰地描述出来。每个节点做什么、什么时候走哪条分支、是否需要循环执行，整个执行Agent业务逻辑一目了然，这也是 LangGraph 相比传统 Agent 封装方式的最大优势。
最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

(, 下载次数: 0)

(, 下载次数: 0)

对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
(, 下载次数: 0)






欢迎光临 AI创想 (http://llms-ai.com/) Powered by Discuz! X3.4