使用 LangGraph 构建生产级 AI Agent

AI小编 · 发表于 6 小时前

作者：CSDN博客
文章目录

LangGraph 开发指南

LangGraph 概述：设计哲学与技术背景

LangGraph 是一个用于构建有状态和多角色的LLM Apps 的开源库，常用于创建单代理和多代理的工作流。
与其他LLM 框架相比，LangGraph 具备以下核心优势和特性：
• 循环与分支：允许实现循环和条件逻辑，适用于大多数代理架构，区别于以
有向无环图（DAG）为基础的解决方案。
• 持久化：内置自动状态保存功能，支持在任何时刻暂停和恢复执行，便于错误恢复、人类参与、时光回溯等复杂工作流。
• 人类参与：在执行过程中可以中断，允许人类审核或编辑下一步操作，支持
• 流处理支持：在每个节点生成输出时支持流式传输，包括token 级别的实时流输出。
• 可控性：提供对应用流程和状态的精细控制，确保代理的可靠性和灵活性。
• 与LangChain 集成：LangGraph 可无缝集成LangChain 和LangSmith，
但也可以独立使用。
LangGraph 受到Pregel 和Apache Beam 的启发，公共接口参考了 NetworkX。
Pregel 简介

Pregel 是由 Google 开发的一个大规模图处理框架，专为分布式计算环境设计，能够高效处理图结构数据。
应用场景: 大规模图计算，如社交网络分析、Web 搜索算法。
核心特点：
• “顶点-驱动” 模型：每个顶点负责自己的状态和邻居通信。
• 迭代式计算：采用超级步（Superstep）机制，顶点在每次迭代中处理邻居的消息，直到算法完成。
• 容错能力：支持分布式计算中的错误恢复。
LangGraph 借鉴之处：
• 迭代式计算模型：LangGraph 采用类似 Pregel 的循环机制，支持在流程中定义循环、迭代和回调操作。通过超级步（superstep）的概念，LangGraph 可以在每个步骤中保存状态，并允许执行多个迭代。
• 并行性与分布式计算支持：Pregel 的顶点驱动模型启发了 LangGraph 在处理多代理和多节点流程时的并行能力。
Apache Beam 简介

Apache Beam 是一个统一的批处理和流处理框架，提供简洁一致的API 来构建复杂的数据处理管道。
应用场景：流数据处理、批处理任务，如实时数据分析、日志处理等。
核心特点：
• 统一模型：一次性编写管道，能够在不同的执行引擎上运行，如Apache Flink、Google Cloud Dataflow 等。
• 支持批处理和流处理：同一模型下处理静态数据集和实时数据流。
• 扩展性：具有良好的扩展性和灵活性，适合大规模数据处理。
LangGraph 借鉴之处：
• 统一的批处理和流处理模型：LangGraph 参考了Apache Beam 的设计，支持处理连续的、流式的输出。尤其在流数据处理（如实时生成token 流）方面，LangGraph 借鉴了Beam 的强大处理能力。
• 错误恢复与持久化：Apache Beam 支持在管道中的各个步骤保存状态，LangGraph 在这个基础上集成了持久化能力，支持工作流的暂停、恢复和错误处理。
NetworkX 简介

NetworkX 是一个用于创建、操作和分析图结构数据的Python 库，专注于图论算法的实现和图结构的可视化。
应用场景：图论算法、网络分析、社交网络建模。
核心特点：
• 易于使用：提供简洁的Python API，支持图创建、图操作以及各种图算法的执行（如最短路径、图遍历等）。 • 支持多种图类型：有向图、无向图、加权图等。
• 广泛应用：用于社交网络分析、知识图谱、交通网络建模等场景。
LangGraph 借鉴之处：
• 图结构工作流设计：LangGraph 采用了类似NetworkX 的接口和图结构，帮助用户以图的方式设计工作流。每个节点可以定义状态、操作，且支持分支、条件、循环等复杂控制结构。
• 灵活的控制机制：通过借鉴NetworkX 的灵活图操作，LangGraph 允许对每个步骤进行精确控制，实现不同的多代理任务。

深入学习的参考资料

Pregel
• 官方论文：https://research.google/pubs/pregel-a-system-for-large-scale-graph-processing/ • JPregel (基于Java 的Pregel 实现)：一个基于Java 的Pregel 模型实现，适合通过代码学习。
(https://kowshik.github.io/JPregel/)
• Giraph：一个基于Pregel 模型的开源图处理框架，运行在Hadoop 生态系统中。(https://giraph.apache.org/)

Apache Beam
• 官方文档：https://beam.apache.org/documentation/
• Beam 编程指南：详细介绍如何使用Beam 编程，包括批处理和流处理的场景。（https://beam.apache.org/documentation/programming-guide/)
• Google Cloud Dataflow 教程：适用于想要在Google Cloud 上使用Apache Beam 的用户。 (https://cloud.google.com/dataflow/docs/quickstarts)

NetworkX
• 官方文档：https://networkx.org/documentation/stable/
• Kaggle 图分析课程：Kaggle 上有很多用NetworkX 进行图分析的实际项目和比赛，适合通过实践学习。 (https://www.kaggle.com/learn/graph-data)
• NetworkX 社交网络分析：分析Twitter、Facebook 等社交网络结构的实际应用，GitHub 上有很多相关的开源项目。 (https://github.com/search?q=networkx)

LangGraph 对象：图（节点、边、状态）的定义与使用

图数据结构概述

图数据结构是计算机科学中一种重要的数据结构，广泛应用于解决各种复杂问题。使用图数据结构有许多好处，尤其在处理复杂的网络、关联、路径和流程问题时非常有效。
图的基本元素：

图可以分为以下几种类型：

典型应用场景：

图数据结构优点

为什么图数据结构适合LangGraph

理解图数据结构的好处可以帮助我们更好地理解LangGraph 的工作原理和优势：
• 复杂性管理：图结构非常适合表示复杂的工作流，LangGraph 通过使用图数据结构，可以清晰、简
• 循环与条件逻辑：图支持循环和条件分支，LangGraph 可以通过循环边和条件边来实现复杂的代理
• 动态扩展：图具有动态性，可以不断添加节点和边，LangGraph 也允许开发者根据工作流的需要动
态调整任务步骤或添加新的逻辑分支。
LangGraph 通过使用节点和边构建复杂的代理工作流，利用图的灵活性、动态性和并行性来管理任务
的执行和状态的传递。这种设计使得LangGraph 能够高效处理复杂的工作流场景，适用于多种应用
场景，如自动化、数据处理、LLM 应用等。
LangGraph 对象：图（状态、编译、节点、边）

LangGraph 通过图的形式来建模代理工作流。定义代理行为的三大核心组件：
• State（状态）：共享的数据结构，代表应用的当前快照。可以是任意Python 类型，但通常为TypedDict 或 Pydantic BaseModel。
• Nodes（节点）：执行逻辑的Python 函数，接收当前状态作为输入，执行实际的计算，逻辑操作或副作用（side effect），并返回更新后的状态。节点可以包含LLM（大语言模型）或简单的Python 代码。
• Edges（边）：决定下一个要执行的节点的函数，可以是固定的，也可以是基于条件的动态决策。
简单来说：节点干活，边决定接下来做什么。通过组合节点和边，LangGraph 可以创建复杂的循环工作流

节点（Node）

节点通常是Python 函数（同步或异步），它们负责执行实际的逻辑操作。
• 节点接收State（状态）作为第一个参数，第二个可选参数为config，其中包含可配置的参数（例如
thread_id）。
• 节点的作用：执行代理的核心逻辑。
• 节点定义：通过add_node方法将函数添加到图中，未指定名称的节点将默认使用函数名作为节点名

classState(TypedDict):# Messages have the type "list". The `add_messages` function# in the annotation defines how this state key should be updated# (in this case, it appends messages to the list, rather than overwriting them)
messages: Annotated[list, add_messages]
graph_builder = StateGraph(State)defchatbot(state: State):return{
"messages":[llm.invoke(state["messages"])]}
graph_builder.add_node("chatbot", chatbot)

复制代码

边（Edges）

定义了节点之间的逻辑路线，并决定图的执行顺序。它们是代理如何执行工作流的关键部分，并决定了不同节点之间的通信方式。
• 普通边：直接从一个节点到另一个节点，无需复杂的逻辑判断。
• 条件边：基于当前状态调用函数，决定下一步执行哪个节点。可以根据返回的值动态选择要执行的节点。
• 入口节点（Entry Point）：当用户输入到达时，首先执行的节点。
• 多条边：一个节点可以有多个输出边，所有这些目标节点将在同一超级步骤中并行执行。

'''
@Project ：langgraph_study
@File ：chat002.py
@IDE ：PyCharm
@Author ：xzy
@Date ：2024/10/26 17:19
@explain:
'''from langchain_community.tools.tavily_search import TavilySearchResults
import os
ifnot os.environ.get("TAVILY_API_KEY"):
os.environ["TAVILY_API_KEY"]="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"
tool = TavilySearchResults(max_results=2)
tools =[tool

复制代码

原文地址：https://blog.csdn.net/javavvvvv/article/details/144604861

25位大厂高管转战生成式AI创业！吸金猛，不

使用 LangGraph 构建生产级 AI Agent

理解AI 智能体：多智能体架构

关于我们

产品与服务

解决方案

产品与服务