LangGraph介绍_langraph

和Chain的区别：Chain是有向无环，而LangGraph提供循环机制。

和AgentExecutor的区别：AgentExecutor是相对简单的循环，而LangGraph提供更多的控制。比如（1）你可能总是希望强制代理首先调用特定工具。（2）你可能希望对如何调用工具有更多控制。（3）根据代理所处的状态，你可能希望为代理设置不同的提示。

当讨论更多控制的流程，其实是在讨论状态机state machines的概念。这些状态机具有循环的能力——允许处理比简单链更模糊的输入。然而，在如何构建那个循环的方面，仍然存在人为指导的要素。

LangGraph定义：一种通过将状态机指定为图形来创建它们的方法。

下文是对 LangGraph框架内的 组件和功能进行必要的介绍，掌握LangGraph是掌握LangChain的必要过程。

langgraph代码库

StateGraph 状态图

表示 图形 graph的类。传入 state 初始化此类。

这个状态定义代表了一个随时间更新的中心状态对象。这个状态由图中的节点更新，这些节点返回对这个状态属性的操作。

状态属性的值更新有两种方式：

（1）完全覆盖原属性「希望节点返回属性的新值」

（2）添加属性值来更新原属性「希望节点返回所采取的新操作、并将这些操作自动添加到属性中」

from langgraph.graph import StateGraph
from typing import TypedDict, List, Annotated
import Operator


class State(TypedDict):
    input: str # 状态属性的更新方式一
    all_actions: Annotated[List[str], operator.add] # 状态属性的更新方式二


graph = StateGraph(State) # StateGraph类初始化 

# 以上完成了 StateGraph实例化。
1
2
3
4
5
6
7
8
9
10
11
12
13

Nodes 节点

创建StateGraph后，可以使用 graph.add_node(name, value) 语法添加节点。

name参数是一个字符串，添加Edges时使用该字符串来引用节点。

value参数是要调用的函数或ICEL可运行对象(Runnable实例化)。 此函数/ICEL 应接受与 State对象 相同形式的字典作为输入，并输出带有要更新的 State对象的key的dict。

graph.add_node("model", model)
graph.add_node("tools", tool_executor)
1
2

还有一个特殊的END节点，用于表示图的结尾。

from langgraph.graph import END
1

Edges 边

接下来，给图形graph增加边edges。 edges有几种类型：

（1）起始边 the starting edge

graph.set_entry_point("model")
1

这条边的作用：将特点节点作为graph的起点。使得此节点作为输入传递给graph时第一个调用的节点。

（2）普通边 normal edges

这些边的作用：一个节点应该始终在另一个节点之后被调用。

举个例子：

graph.add_edge("tools", "model") # 我们总是希望在调用工具(tools节点)之后调用模型(model)
1

（3）条件边 Conditional Edges

重点

条件边的作用：确定首先前往哪个节点（通常是LLM来决定，也就是说可以由别的决定）。

创建条件边，需要传入以下3个：

a.上游节点 upstream node：基于此节点的输出来确定下一步做什么
b.一个函数 function：调用此函数来确定接下来要调用哪个节点，此函数应该返回一个字符串
c.一个映射 mapping：此映射将b.中函数输出的字符串映射到另一个节点。此映射的key应该是b.中函数返回的所有可能值，value是对应的节点名称。

举个例子：

# 以下代码表示：在调用模型之后，要么结束graph并返回给用户，要么根据用户的决定调用一个工具tools
graph.add_conditional_edge(
    "model",  # 上游节点
    should_continue,  # function
    {
        "end": END,
        "continue": "tools"
    }  # mapping
)
1
2
3
4
5
6
7
8
9

Compile 编译

以上操作（初始化StateGraph，定义节点，定义边）即完成了graph的定义。接下来可以将graph编译成可运行的。

编译的结果是 获取目前为止创建的graph定义，并返回一个可运行的对象。

这个可运行的对象和LangChain的runnables有相同的方法(invoke, stream, astream等)，也允许以Chain的方式调用。

app = graph.compile()
1

Agent Executor 代理执行人

以上，我们已经用 LangGraph 重新创建了标准的 LangChain AgentExecutor。也就是说，只是用LangGraph框架重新建了一遍 AgentExecutor。 原来创建 AgentExecutor 只需要以下两句：

agent = create_structured_chat_agent(llm, tools, prompt, stop_sequence=True)  
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True, return_intermediate_steps=True, max_iterations=3)
1
2

迁移到LangGraph的作用：更容易修改 AgentExecutor 的内部结构。

而 graph 默认的状态包括以下 概念：input 、 chat_history 、 intermediate_steps 、agent_outcome (最新的agent结果)

from typing import TypedDict, Annotated, List, Union
from langchain_core.agents import AgentAction, AgentFinish
from langchain_core.messages import BaseMessage
import operator


class AgentState(TypedDict):
   input: str   # 状态属性的更新方式一、节点的输入
   chat_history: list[BaseMessage]   # 状态属性的更新方式二、记录llm的对话历史
   agent_outcome: Union[AgentAction, AgentFinish, None]   # 状态属性的更新方式二、记录agent最新的动作
   intermediate_steps: Annotated[list[tuple[AgentAction, str]], operator.add]    # 状态属性的更新方式二、记录agent调用tool的历史和tool调用结果
1
2
3
4
5
6
7
8
9
10
11

Chat Agent Executor 聊天代理执行人

越来越多的模型是基于消息列表运行的“聊天”模型，并且这些模型通常配置了function calling的功能，这使得agent式体验更加可行。所以在使用这些类型模型时，将agent的state设置为message列表更加直观。
如下所示：

from typing import TypedDict, Annotated, Sequence
import operator
from langchain_core.messages import BaseMessage


class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], operator.add]
1
2
3
4
5
6
7

Modifications 修改

再强调一遍，LangGraph 的一个重大好处是，它以一种更自然、更可修改的方式展现了 AgentExecutor 的逻辑。

1、强制调用工具 force calling a tool
2、在调用工具之前添加人机交互步骤 human in the loop
3、管理agent步骤 managing agent steps：用于添加自定义逻辑，以处理代理可能采取的中间步骤。
4、以特定格式返回输出 returning output in a specific format
5、直接动态返回工具的输出 dynamically returning the output of a tool directly

示例参见 langgraph代码库

后续计划

1、Stateful tools 有状态的工具：允许工具修改某些状态
2、Multi-agent workflows 多代理工作流程
3、More controlled human-in-the-loop workflows 更加可控的人机交互

个人总结

找一个LangGraph的标准实例、结合代码可以有更好的掌握比较复杂的Agent流程、最好是多循环模式。
敬请期待。