【AI Agent系列】【LangGraph】0. 快速上手：协同LangChain，LangGraph帮你用图结构轻松构建多智能体应用

本站文章一览：

目前为止，我已经系统学习过AutoGPT和MetaGPT两款智能体框架了。今天来看下另一个多智能体框架：LangGraph。

文章目录

• 0. 简介
• 1. 快速上手
• • 1.1 安装 LangGraph
  • 1.2 体验一把 - 上手Demo
  • 1.3 Demo代码详解
  • • 1.3.1 LangGraph 使用步骤解析
    • 1.3.2 从运行结果看 LangGraph 的状态是什么
    • 1.4 node的形式
    • • 1.4.1 node 能不能是一个 Chain ？
      • 2. 参考

        0. 简介

        LangGraph 是在 LangChain 的基础上实现的一个多智能体的运行框架。它扩展了LangChain表达式语言，能够以循环的方式在多个计算步骤中协调多个链（或参与者）。

        再详细一点就是：LangChain以及它的表达式语言（LCEL）为开发者构建自定义的链提供了技术支持。从图的角度来看，这种链是有向无环图（DAG）。而在实际的应用场景中，用户会期望构建有环图（cyclic graph）。这就是 LangGraph 存在的意义：帮助用户更好更方便地构建有环图。

        LangGraph的核心概念之一是状态。每次图的执行都会创建一个状态，该状态在图中的节点之间传递，每个节点在执行后都会更新此状态。所以，LangGraph呈现的是类似状态机（state machine）的机制。

        1. 快速上手

        1.1 安装 LangGraph

        pip install langgraph
        

        1.2 体验一把 - 上手Demo

        from langchain_openai import ChatOpenAI
        from langchain_core.messages import HumanMessage
        from langgraph.graph import END, MessageGraph
        model = ChatOpenAI(temperature=0)
        graph = MessageGraph()
        graph.add_node("oracle", model)
        graph.add_edge("oracle", END)
        graph.set_entry_point("oracle")
        runnable = graph.compile()
        response = runnable.invoke(HumanMessage("1 + 1 等于几？"))
        print(response)
        

        输出结果：

        

        1.3 Demo代码详解

        1.3.1 LangGraph 使用步骤解析

        小小体验了一把之后，下面我们来看看其基本的用法。

        （1）首先创建一个图：graph = MessageGraph()

        （2）然后，往图中添加节点：graph.add_node("oracle", model)，这个节点的名字叫"oracle"，节点的内容是 model，也就是OpenAI大模型的接口封装。

        （3）再然后，添加边：graph.add_edge("oracle", END)，添加了一条从 “oracle” 到 END 的边。END 是内置的节点，结束的意思。

        （4）再然后，添加进入节点：graph.set_entry_point("oracle")

        （5）编译图：runnable = graph.compile()，complile函数，将图固化下来，就不能再改了。

        （6）运行：我们熟悉的 invoke 函数

        总结一下步骤：创建图 —> 添加节点 —> 添加边 —> 设置从哪个节点开始运行 —> 编译图 —> 运行。

        步骤很清晰，图的生成过程也很简单，就是图的基本元素的创建：节点和边。

        1.3.2 从运行结果看 LangGraph 的状态是什么

        再看下运行结果（上图），它包含了 HumanMessage 和 AIMessage。这就是所谓的状态传递。输入是HumanMessage，写到状态里传递给 oracle node，然后执行，oracle node返回结果，这个结果更新到状态里，传递给END，END输出最终的状态。

        所以，LangGraph 的状态（State）就是一系列 Message 的列表。

        1.4 node的形式

        上面的node，我们添加的是一个model：graph.add_node("oracle", model)

        它其实也可以是一个函数：

        def call_oracle(messages: list):
            return model.invoke(message)
        graph.add_node("oracle", call_oracle)
        

        1.4.1 node 能不能是一个 Chain ？

        思考一个问题：能否用一个Chain作为一个node添加进LangGraph中呢？比如我有下面一个Chain：

        from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
        prompt = ChatPromptTemplate.from_messages([
            ("system", "You are a helpful assistant named {name} who always speaks in pirate dialect"),
            MessagesPlaceholder(variable_name="messages"),
        ])
        chain = prompt | model
        

        我能否把这个chain通过 add_node 添加到图中？就像这样：graph.add_node("oracle", chain)

        我的理解：node不能添加一个Chain，因为Chain接收的输入是一个Dict字典类型，而node之间传递的是State，State是一个List，不是Dict。

        2. 参考

        • https://python.langchain.com/docs/langgraph
        • https://mp.weixin.qq.com/s/R4tvoOY3AFNHypvVoOKMsQ

          如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~

          ---

          • 大家好，我是 同学小张，日常分享AI知识和实战案例
          • 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。
          • +v: jasper_8017 一起交流💬，一起进步💪。
          • 微信公众号也可搜【同学小张】 🙏

            本站文章一览：