LangGraph教程4：LangGraph核心组件

作者：Cachel wood
文章目录

主要特性LangGraph 平台Graph(图)StateGraph

LangGraph 是一个用于构建有状态的多参与者应用程序的库，利用 LLM 创建代理和多代理工作流。与其他 LLM 框架相比，它提供了以下核心优势：循环性、可控性和持久性。LangGraph 允许您定义涉及循环的流程，这对于大多数代理架构至关重要，使其与基于 DAG 的解决方案区别开来。作为一个非常底层的框架，它提供了对应用程序流和状态的细粒度控制，这对于创建可靠的代理至关重要。此外，LangGraph 包含内置的持久性，支持先进的人机协作和记忆特性。
LangGraph 的灵感来源于 Pregel 和 Apache Beam。公共接口受 NetworkX 的启发。LangGraph 是由 LangChain Inc 开发的，它是 LangChain 的创建者，但可以在不使用 LangChain 的情况下使用。
LangGraph 平台 是用于部署 LangGraph 代理的基础设施。它是一个商业解决方案，用于将代理应用程序部署到生产环境，构建于开源的 LangGraph 框架之上。LangGraph 平台由多个组件组成，这些组件协同工作以支持 LangGraph 应用程序的开发、部署、调试和监控：LangGraph 服务器（API）、LangGraph SDK（API 客户端）、LangGraph CLI（构建服务器的命令行工具）、LangGraph Studio（用户界面/调试器）。
官方文档地址：https://langchain-ai.github.io/langgraph/
中文文档地址：https://www.aidoczh.com/langgraph/
主要特性

循环和分支：在您的应用程序中实现循环和条件。持久性：在图中的每一步自动保存状态。在任何时刻暂停和恢复图的执行，以支持错误恢复、人机协作工作流、时间旅行等。人机协作：中断图的执行以批准或编辑代理计划的下一个动作。流式支持：在每个节点产生输出时进行流式传输（包括令牌流式传输）。与 LangChain 的集成：LangGraph 与 LangChain 和 LangSmith 无缝集成（但不需要它们）。

LangGraph 平台

LangGraph 平台是一个商业解决方案，用于将代理应用程序部署到生产环境，构建于开源的 LangGraph 框架之上。 以下是一些在复杂部署中常见的问题，LangGraph 平台解决了这些问题：

流式支持：LangGraph 服务器提供 多种流式模式，优化以满足各种应用需求后台运行：在后台异步运行代理支持长时间运行的代理：能够处理长时间运行过程的基础设施双重文本：处理用户在代理回复之前收到两条消息的情况处理突发性：任务队列以确保请求在高负载下也能始终如一地处理，不会丢失

Graph(图)

LangGraph 的核心是将代理工作流建模为图。你可以使用三个关键组件来定义代理的行为

状态：一个共享的数据结构，表示应用程序的当前快照。它可以是任何 Python 类型，但通常是 TypedDict 或 Pydantic BaseModel。节点：编码代理逻辑的 Python 函数。它们接收当前 状态 作为输入，执行一些计算，并返回一个更新的 状态。边：Python 函数，根据当前 状态 确定要执行的下一个 节点。它们可以是条件分支或固定转换。
通过组合 节点 和 边，你可以创建复杂的循环工作流，随着时间的推移发展 状态。但是，真正的力量来自于 LangGraph 如何管理 状态。需要强调的是：节点 和 边 不过是 Python 函数——它们可以包含 LLM 或简单的 Python 代码。
简而言之：节点完成工作。边指示下一步要做什么。

LangGraph 的底层图算法使用 消息传递 来定义一个通用程序。当一个节点完成其操作时，它会沿着一条或多条边向其他节点发送消息。这些接收节点然后执行其函数，将结果消息传递给下一组节点，并且该过程继续进行。受到 Google 的 Pregel 系统的启发，该程序以离散的“超级步骤”进行。
超级步骤可以被认为是图节点上的单个迭代。并行运行的节点属于同一个超级步骤，而顺序运行的节点则属于不同的超级步骤。在图执行开始时，所有节点都处于 inactive 状态。当节点在任何传入边（或“通道”）上收到新消息（状态）时，它将变为 active 状态。然后，活动节点运行其函数并响应更新。在每个超级步骤结束时，没有传入消息的节点通过将其标记为 inactive 来投票 halt。当所有节点都处于 inactive 状态且没有消息在传输中时，图执行终止。
StateGraph

StateGraph 类是使用的主要图类。它由用户定义的 状态 对象参数化。

1. from langgraph.graph import StateGraph
2. from typing_extensions import TypedDict
3. classMyState(TypedDict)...
4. graph = StateGraph(MyState)

复制代码

基类：图

一个图，其节点通过读取和写入共享状态进行通信。每个节点的签名是 State -> Partial.每个状态键可以选择性地使用一个 reducer 函数进行注释，该函数将用于聚合从多个节点接收到的该键的值。reducer 函数的签名是 (Value, Value) -> Value。

参数

state_schema (类型[任何], 默认值：None ) – 定义状态的模式类。config_schema (可选[类型[任何]], 默认值：None ) – 定义配置的模式类。使用此方法在您的 API 中公开可配置参数。

示例

1. #示例：state_graph.py# 从langgraph.graph模块导入START和StateGraphfrom langgraph.graph import START, StateGraph
3. # 定义一个节点函数my_node，接收状态和配置，返回新的状态defmy_node(state, config):return{
4.    
5.    "x": state["x"]+1,"y": state["y"]+2}# 创建一个状态图构建器builder，使用字典类型作为状态类型
6. builder = StateGraph(dict)# 向构建器中添加节点my_node，节点名称将自动设置为'my_node'
7. builder.add_node(my_node)# node name will be 'my_node'# 添加一条边，从START到'my_node'节点
8. builder.add_edge(START,"my_node")# 编译状态图，生成可执行的图
9. graph = builder.compile(

复制代码

原文地址：https://blog.csdn.net/weixin_46530492/article/details/149455611