LangGraph 教程：什么是 LangGraph，以及如何使用它？

什么是 LangGraph？

LangGraph 让我们尽可能轻松地创建使用 LLM 的有状态、多参与者应用。它扩展了 LangChain 的能力，引入了创建和管理循环图的功能，这对于构建复杂的代理运行时至关重要。LangGraph 的核心概念包括：图结构、状态管理和协调。

图结构

将您的应用想象为一个有向图。在 LangGraph 中，每个节点代表一个 LLM 代理，边则是这些代理之间的通信通道。这种结构有助于建立清晰、可管理的工作流，每个代理执行特定任务，并在需要时将信息传递给其他代理。

状态管理

LangGraph 的一大亮点是其自动状态管理。该功能使我们能够在多次交互中跟踪并持久化信息。随着代理执行任务，状态会动态更新，确保系统保持上下文，并能对新的输入做出恰当响应。

协调

LangGraph 确保代理以正确的顺序执行，并无缝交换必要信息。对于需要多个代理协同达成共同目标的复杂应用，这种协调至关重要。通过管理数据流和操作顺序，LangGraph 让开发者能专注于应用的高层逻辑，而不是代理协调的细枝末节。

为什么选择 LangGraph？

如上所述，LangGraph 为处理复杂 LLM 应用的开发者带来了多项重要优势。以下是 LangGraph 在真实场景中的一些收益。

简化开发

LangGraph 屏蔽了与状态管理和代理协调相关的复杂性。这意味着开发者可以定义工作流和逻辑，而无需担心确保数据一致性和正确执行顺序的底层机制。这种简化加速了开发过程，并降低了出错的可能性。的确是“改写规则”的工具！

灵活性

借助 LangGraph，开发者可以灵活定义自己的代理逻辑和通信协议，从而打造高度定制、贴合具体用例的应用。无论您需要一个能处理多种用户请求的聊天机器人，还是一个执行复杂任务的多代理系统，LangGraph 都提供了构建所需的一切工具。其核心就是赋予您创造的力量。

可扩展性

LangGraph 专为支持大规模多代理应用的执行而构建。其健壮的架构能够应对大量交互和复杂工作流，助您开发可随需求增长而扩展的系统。这使其适用于对性能和可靠性要求严苛的企业级应用和场景。

容错性

可靠性是 LangGraph 设计中的核心考量。该库包含优雅处理错误的机制，即使某些代理出现问题，应用也能继续运行。这种容错性对于保持复杂多代理系统的稳定性和健壮性至关重要。安心感，只差一个特性。

开始使用 LangGraph

下面我们来看看如何设置 LangGraph 以及它的基本概念。

安装

要安装 LangGraph，您可以使用 pip：

pip install -U langgraph技术支持

基本概念

节点（Nodes）：节点表示 LangGraph 中的工作单元。它们通常是执行特定任务的 Python 函数，例如：

• 与 LLM 交互
• 调用工具或 API
• 进行数据处理
• 接收用户输入
• 执行业务逻辑

在 LangGraph 中，您可以使用 graph.add_node(name, value) 语法添加节点。

边（Edges）：边是节点之间的通信通道。它们定义了信息流向和执行顺序。您可以使用 graph.add_edge(node1, node2) 语法添加边。

状态（State）：状态是一个随时间由图中节点更新的中心对象。它管理应用的内部状态，并可根据应用需求进行覆盖或扩展。状态可以包含如下内容：

• 对话历史：代理与用户之间的消息列表。
• 上下文数据：与当前任务或交互相关的信息。
• 内部变量：用于跟踪代理进度和行为的标志、计数器或其他变量。

构建一个简单的 LangGraph 应用

下面通过一个分步示例，创建一个使用 LangGraph 的基础聊天机器人应用。

步骤 1：定义 StateGraph

定义一个 StateGraph 对象，将聊天机器人构造成状态机。State 是一个类对象，仅包含一个键 messages，类型为 List，并使用 add_messages() 函数来追加新消息，而不是覆盖。

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
class State(TypedDict):
    # messages have the type "list".
    # The add_messages function appends messages to the list, rather than overwriting them
    messages: Annotated[list, add_messages]
graph_builder = StateGraph(State)技术支持

步骤 2：初始化一个 LLM 并将其添加为 Chatbot 节点

这里我们初始化 AzureChatOpenAI 模型，并创建一个简单的聊天机器人函数，该函数将状态中的消息作为输入并生成一条回复（随后会被追加到状态中）。

这个聊天机器人函数作为名为“chatbot”的节点被添加到图中。

from langchain_openai import AzureChatOpenAI
llm = AzureChatOpenAI(
    openai_api_version=os.environ["AZURE_OPENAI_API_VERSION"],
    azure_deployment=os.environ["AZURE_OPENAI_CHAT_DEPLOYMENT_NAME"],
)
def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}
‘’’The first argument is the unique node name
# The second argument is the function or object that will be called whenever the node is used.’’’
graph_builder.add_node("chatbot", chatbot)技术支持

步骤 3：设置边

因为我们要构建一个简单的聊天机器人，所以将 chatbot 节点同时设置为图的入口和结束点，以指示流程的开始与结束。

# Set entry and finish points
graph_builder.set_entry_point("chatbot")
graph_builder.set_finish_point("chatbot")技术支持

步骤 4：编译并可视化图

编译该图以创建一个 CompiledGraph 对象，并且我们可以选择使用下面的代码来可视化图结构：

graph = graph_builder.compile()
from IPython.display import Image, display
try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    pass技术支持

步骤 5：运行聊天机器人

最后，我们实现一个循环，持续提示用户输入，通过图进行处理，并打印助手的回复。当用户输入 "quit"、"exit" 或 "q" 时，循环退出。

# Run the chatbot
while True:
    user_input = input("User: ")
    if user_input.lower() in ["quit", "exit", "q"]:
        print("Goodbye!")
        break
    for event in graph.stream({"messages": [("user", user_input)]}):
        for value in event.values():
            print("Assistant:", value["messages"][-1].content)技术支持

LangGraph 的高级功能

现在我们已经介绍了基础知识，来看看一些高级功能。

自定义节点类型

LangGraph 允许您创建自定义节点类型以实现复杂的代理逻辑。这为您提供了对应用行为的灵活性和控制力。

from typing import Annotated
from langchain_anthropic import ChatAnthropic
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
class MyCustomNode:
    def __init__(self, llm):
        self.llm = llm
    def __call__(self, state):
        # Implement your custom logic here
        # Access the state and perform actions
        messages = state["messages"]
        response = self.llm.invoke(messages)
        return {"messages": [response]}
graph_builder = StateGraph(State)
llm = ChatAnthropic(model="claude-3-haiku-20240307")
custom_node = MyCustomNode(llm)
graph_builder.add_node("custom_node", custom_node)技术支持

在这里，我们定义了一个类 MyCustomNode，用于封装自定义逻辑并与 LLM 交互。这为实现复杂的节点行为提供了更结构化、可维护的方式。

边的类型

LangGraph 支持不同类型的边，以处理节点之间的各种通信模式。其中一个有用的类型是条件边，它允许基于节点输出进行决策。

要创建条件边，您需要三个组件：

1. 上游节点：其输出决定下一步。
2. 一个函数：该函数评估上游节点的输出并确定下一个要执行的节点，返回一个表示决策的字符串。
3. 一个映射：该映射将函数的可能结果与对应要执行的节点关联起来。

下面是一个伪代码示例：

graph.add_conditional_edge(
    "model",
    should_continue,
    {
        "end": END,
        "continue": "tools"
    }
)技术支持

在这里，调用 “model” 节点之后，我们可以选择退出图（“end”）并返回给用户，或者继续（“continue”）调用某个工具——取决于用户的决策！

状态管理

LangGraph 提供强大的状态管理技术，包括使用 SQLite、PostgreSQL、MongoDB 等外部数据库，或 Amazon S3、Google Cloud Storage、Azure Blob Storage 等云存储来存储和检索代理的状态，从而实现可靠性与可扩展性。

以下是使用 SQLite 数据库进行状态管理的示例：

from langgraph.checkpoint.sqlite import SqliteSaver
# Connect to the SQLite database
memory = SqliteSaver.from_conn_string(":memory:")
# Compile the graph with the checkpointer
graph = graph_builder.compile(checkpointer=memory)技术支持

错误处理

LangGraph 还提供了错误处理机制：

• 异常：节点函数可以抛出异常，以指示执行期间发生的错误。您可以捕获并处理这些异常，防止图崩溃。
• 重试机制：您可以在节点中实现重试逻辑，以处理临时性错误，例如网络问题或 API 超时。
• 日志记录：使用日志记录错误并跟踪图的执行。

LangGraph 的真实应用场景

LangGraph 可用于构建多种类型的应用。

聊天机器人

LangGraph 非常适合开发能够处理广泛用户请求的高级聊天机器人。通过利用多个 LLM 代理，这些机器人可以处理自然语言查询、提供准确回复，并在不同话题间无缝切换。状态管理与交互协调能力确保聊天机器人保持上下文，提供连贯的用户体验。

自主代理

对于需要自主决策的应用，LangGraph 能够创建基于用户输入和预定义逻辑独立执行任务的代理。

这些代理可以执行复杂工作流、与其他系统交互，并动态适应新信息。LangGraph 的结构化框架确保每个代理都高效、有效地运行，适用于自动化客户支持、数据处理和系统监控等任务。

多代理系统

在多个代理协作以实现共同目标的应用中，LangGraph 表现出色。例如，在供应链管理系统中，不同代理可以管理库存、处理订单并协调配送。LangGraph 的协调能力确保各代理高效通信、共享信息，并以同步方式做出决策，从而提升运营效率和整体系统性能。

工作流自动化工具

借助 LangGraph，业务流程与工作流的自动化变得简单。可以设计智能代理来处理文档处理、审批流转和数据分析等任务。通过定义清晰的工作流并利用 LangGraph 的状态管理，这些工具无需人工干预即可执行复杂的操作序列，减少错误并提升生产力。

推荐系统

个性化推荐系统可以充分受益于 LangGraph 的能力。通过使用多个代理分析用户行为、偏好和上下文数据，这些系统能够为产品、内容或服务提供量身定制的建议。LangGraph 的灵活性支持整合多种数据源和算法，从而提升推荐的准确性与相关性。

个性化学习环境

在教育平台中，LangGraph 可用于创建适应性学习环境，以满足个体化的学习风格和需求。多个代理可以评估学生的进度、提供定制化练习，并提供实时反馈。LangGraph 的有状态特性确保系统保留每位学习者的表现与偏好信息，从而带来更个性化且更有效的学习体验。

结语

LangGraph 通过提供一个用于管理状态和协调代理交互的结构化框架，大幅简化了复杂 LLM 应用的开发。

LangGraph 的潜在发展方向包括与其他 LangChain 组件的集成、对新 LLM 模型的支持，以及引入来自学术界的更先进代理运行时。

如果您想进一步了解在 LangChain 生态内开发应用，推荐这门课程：使用 LangChain 开发 LLM 应用。