AI创想

标题: 使用 LangGraph 构建生产级 AI Agent [打印本页]

---

作者: AI小编    时间: 7 小时前
标题: 使用 LangGraph 构建生产级 AI Agent
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

Pregel 简介Apache Beam 简介NetworkX 简介深入学习的参考资料

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优点为什么图数据结构适合LangGraph



LangGraph 对象：图（状态、编译、节点、边）

节点（Node）边（Edges）

代码层面的快速入门

如何给当前state中的属性赋值参见下面的代码如何定义条件边，详见下面代码

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。

(, 下载次数: 0)

上传

点击文件名下载附件

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：

节点/顶点（Vertex）：图中的元素，通常表示对象或数据点。边（Edge）：连接节点的线，表示节点之间的关系或交互。

图可以分为以下几种类型：

有向图：边有方向性，表示从一个节点指向另一个节点的单向关系。 • 无向图：边无方向性，表示节点之间的双向关系。加权图：边带有权重或值，表示节点之间的距离、成本等额外信息。

典型应用场景：

导航系统：城市中的位置和道路可以看作是图，导航系统可以通过计算图上的最短路径来提供最优路线。知识图谱：知识图谱是一种特殊的图结构，能够帮助机器理解不同实体之间的关系，用于问答系统和语义搜索。项目管理：图可以用来表示任务之间的依赖关系，帮助项目经理规划任务执行的先后顺序

(, 下载次数: 0)
上传
点击文件名下载附件

图数据结构优点

直观表示复杂关系：图结构能够自然地表示物体之间的复杂关系。例如，社交网络中的人际关系、交通网络中的城市和道路、互联网中的网站链接，都可以通过图来建模。高效解决特定问题：许多实际问题可以通过图数据结构高效解决。例如：1.最短路径问题：寻找从一个节点到另一个节点的最短路径（如Google Maps 寻找最快路线）。 • 网络流问题：计算网络中的最大流量（如物流网络中的货物运输优化）。2.连通性问题：判断不同节点之间是否可以互相到达（如检测社交网络中朋友的连通性）。 • 广泛应用于各种领域：图被广泛应用于计算机科学的许多领域：1.社交网络分析：使用图来表示人际关系并分析朋友之间的连接和影响力。2.搜索引擎：通过图表示网页之间的链接关系，决定哪些页面应该出现在搜索结果的前面（如
PageRank 算法）。3.推荐系统：在电商或社交平台中，使用图分析用户和物品之间的关系，为用户推荐可能感兴趣的商品

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

(, 下载次数: 0)

上传

点击文件名下载附件

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

1. 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)
2.     messages: Annotated[list, add_messages]
4. graph_builder = StateGraph(State)defchatbot(state: State):return{
5.    
6.    "messages":[llm.invoke(state["messages"])]}
7.    
8. 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。

1. '''
2. @Project ：langgraph_study
3. @File    ：chat002.py
4. @IDE     ：PyCharm
5. @Author  ：xzy
6. @Date    ：2024/10/26 17:19
7. @explain:
8. '''from langchain_community.tools.tavily_search import TavilySearchResults
9. import os
10. ifnot os.environ.get("TAVILY_API_KEY"):
11.     os.environ["TAVILY_API_KEY"]="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"
13. tool = TavilySearchResults(max_results=2)
15. tools =[tool

复制代码

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

---

欢迎光临 AI创想 (https://llms-ai.com/)

Powered by Discuz! X3.4