LangGraph 入门与实战

javastart

已于 2024-03-25 18:44:04 修改

阅读量3.7k

点赞数 6

CC 4.0 BY-SA版权

分类专栏： aigc langchain prompt 文章标签： AIGC chatgpt langchain

于 2024-03-25 17:00:14 首次发布

本文链接：https://blog.csdn.net/javastart/article/details/137019399

本文介绍了如何使用LangGraph库扩展LangChain，创建一个能够协调多LLM或状态的高级LCEL语言。作者展示了如何定义工具、Agent状态、图中的节点和边，以及如何利用LangGraph实现一个调用工具的Agent实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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。

pip install langgraph

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。

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