LangGraph 入门与实战

作者：CSDN博客
原文：LangGraph 入门与实战 - 知乎
参考：langgraph/examples at main · langchain-ai/langgraph · GitHub
大家好，我是雨飞。LangGraph 是在 LangChain 基础上的一个库，是 LangChain 的 LangChain Expression Language （LCEL）的扩展。能够利用有向无环图的方式，去协调多个LLM或者状态，使用起来比 LCEL 会复杂，但是逻辑会更清晰。
相当于一种高级的LCEL语言，值得一试。
安装也十分简单。注意，这个库需要自己去安装，默认的LangChain不会安装这个库。

1. pip install langgraph

复制代码

由于，OpenAI访问不方便，我们统一使用智普AI的大模型进行下面的实践。
智普AI的接口和OpenAI的比较类似，因此也可以使用OpenAI的tools的接口，目前还没有发现第二家如此方便的接口。实际使用起来，还是比较丝滑的，虽然有一些小问题。
我们下面以ToolAgent的思想，利用LangGraph去实现一个可以调用工具的Agent。
定义工具以及LLM

工具的定义，可以参考这篇文章，写的比较详细了，比较方便的就是使用 tools 这个注解。
雨飞：使用智普清言的Tools功能实现ToolAgent
定义Agent的状态

LangGraph 中最基础的类型是 StatefulGraph，这种图就会在每一个Node之间传递不同的状态信息。然后每一个节点会根据自己定义的逻辑去更新这个状态信息。具体来说，可以继承 TypeDict 这个类去定义状态，下图我们就定义了有四个变量的信息。
input:这是输入字符串，代表用户的主要请求。
chat_history: 这是之前的对话信息，也作为输入信息传入.
agent_outcome: 这是来自代理的响应，可以是 AgentAction，也可以是 AgentFinish。如果是 AgentFinish，AgentExecutor 就应该结束，否则就应该调用请求的工具。
intermediate_steps: 这是代理在一段时间内采取的行动和相应观察结果的列表。每次迭代都会更新。

1. class AgentState(TypedDict):
2.     # The input string
3.     input: str
4.     # The list of previous messages in the conversation
5.     chat_history: list[BaseMessage]
6.     # The outcome of a given call to the agent
7.     # Needs `None` as a valid type, since this is what this will start as
8.     agent_outcome: Union[AgentAction, AgentFinish, None]
9.     # List of actions and corresponding observations
10.     # Here we annotate this with `operator.add` to indicate that operations to
11.     # this state should be ADDED to the existing values (not overwrite it)
12.     intermediate_steps: Annotated[list[tuple[AgentAction, str]], operator.add]

复制代码

定义图中的节点

在LangGraph中，节点一般是一个函数或者langchain中runnable的一种类。
我们这里定义两个节点，agent和tool节点，其中agent节点就是决定执行什么样的行动，
tool节点就是当agent节点选择执行某个行动时，去调用相应的工具。
此外，还需要定义节点之间的连接，也就是边。
条件判断的边：定义图的走向，比如Agent要采取行动时，就需要接下来调用tools，如果Agent说当前的的任务已经完成了，则结束整个流程。
普通的边：调用工具后，始

原文地址：https://blog.csdn.net/javastart/article/details/137019399