LangGraph简介

LangGraph 概述及用法

LangGraph 是 LangChain 的一个扩展，旨在通过将步骤建模为图中的边缘和节点，构建具有大型语言模型（LLMs）的强大和有状态的多角色应用程序。LangGraph 提供了用于创建常见类型代理的高级接口，以及用于组合自定义流程的低级 API。

LangGraph 的核心概念

LangGraph 将应用程序的工作流程表示为一个图结构，其中：

• 节点（Nodes）：代表不同的操作或步骤，例如调用一个 LLM、访问一个数据库、处理用户输入等。
• 边（Edges）：代表步骤之间的关系或流程，例如数据流、决策路径等。

这种图形结构允许创建复杂的、有状态的多角色应用程序，每个角色可以独立执行操作，互相通信，并根据前一步骤的结果动态调整。

LangGraph 的主要特点

1. 高级接口：LangGraph 提供了用于创建常见代理的高级接口，使开发者可以快速构建代理应用。
2. 低级 API：允许开发者自定义和组合自己的工作流程，以满足特定需求。
3. 状态管理：支持构建有状态的应用程序，能够在多步骤和多角色之间传递和管理状态。
4. 动态调整：基于前一步骤的结果，可以动态调整工作流程，适应不同的情况和需求。

用法示例

以下是一个基本的 LangGraph 用法示例，展示了如何创建一个简单的图结构，并使用 LLM 进行文本生成：

1. 安装依赖：

pip install langchain langgraph
1

2. 导入模块并定义图结构：

from langgraph import Graph, Node, Edge
from langchain.llms import OpenAI

# 初始化一个 OpenAI 模型
llm = OpenAI(api_key="your-api-key")

# 创建图结构
graph = Graph()

# 定义节点
node_start = Node("Start")
node_generate_text = Node("GenerateText", llm)
node_end = Node("End")

# 添加节点到图中
graph.add_node(node_start)
graph.add_node(node_generate_text)
graph.add_node(node_end)

# 定义边并连接节点
edge_1 = Edge(node_start, node_generate_text, "Start to Generate Text")
edge_2 = Edge(node_generate_text, node_end, "Generate Text to End")

# 添加边到图中
graph.add_edge(edge_1)
graph.add_edge(edge_2)

# 执行图
graph.execute({"input_text": "Hello, world!"})
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

在这个示例中，我们创建了一个包含三个节点的简单图结构：起始节点、生成文本节点和结束节点。每个节点通过边进行连接，并定义了每个步骤的操作。

高级用法

LangGraph 还提供了更高级的功能，例如状态管理、动态调整工作流程、集成其他组件等。以下是一个更复杂的示例，展示了如何使用状态管理和动态调整：

from langgraph import Graph, Node, Edge, State

# 初始化图和状态
graph = Graph()
state = State()

# 定义节点和操作
node_start = Node("Start")
node_generate_text = Node("GenerateText", llm)
node_decision = Node("Decision")
node_end_positive = Node("EndPositive")
node_end_negative = Node("EndNegative")

# 添加节点到图中
graph.add_node(node_start)
graph.add_node(node_generate_text)
graph.add_node(node_decision)
graph.add_node(node_end_positive)
graph.add_node(node_end_negative)

# 定义边和条件
edge_1 = Edge(node_start, node_generate_text, "Start to Generate Text")
edge_2 = Edge(node_generate_text, node_decision, "Generate Text to Decision")
edge_positive = Edge(node_decision, node_end_positive, "Decision to End Positive", condition=lambda state: state["sentiment"] == "positive")
edge_negative = Edge(node_decision, node_end_negative, "Decision to End Negative", condition=lambda state: state["sentiment"] == "negative")

# 添加边到图中
graph.add_edge(edge_1)
graph.add_edge(edge_2)
graph.add_edge(edge_positive)
graph.add_edge(edge_negative)

# 定义决策节点的操作
def decision_action(state):
    generated_text = state["generated_text"]
    # 简单的情感分析逻辑（这里只是一个示例，可以使用更复杂的分析方法）
    if "good" in generated_text:
        state["sentiment"] = "positive"
    else:
        state["sentiment"] = "negative"

node_decision.set_action(decision_action)

# 执行图
graph.execute({"input_text": "The weather is good today!"})
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

在这个高级示例中，我们通过状态管理和条件边实现了一个简单的情感分析流程，生成文本后，根据文本内容的情感决定下一步的操作。

通过 LangGraph，开发者可以灵活构建复杂的多角色应用程序，并利用 LLM 的强大功能实现智能化和自动化。