LangGraph基础理解

本文主要是介绍LangGraph基础理解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

动机
功能
- StateGraph
- Nodes
- Edges
- - 起始边
  - 正常边
  - 条件边
Agent Executor
Chat Agent Executor
Modifications

本文对LangGraph博客内容做下简单总结，详细内容请查看langchain博客
https://blog.langchain.dev/langgraph/

动机

Agent的实现基本上有两个步骤:

调用LLM来决定(a)采取什么行动，或(b)向用户提供什么响应
采取给定的行动，然后回到步骤1

重复这些步骤，直到生成最终响应。

langchain中AgentExecutor本质上就是实现了这样一个循环，但当我们实际使用时会发现，当前langchain Agent的实现属于黑盒状态，缺乏扩展性。在实践中通常需要更多的控制。可能希望始终强制代理首先调用特定工具。可能希望更好地控制工具的调用方式。可能希望代理有不同的提示等等。

状态机

功能

以实现最简单的react Agent逻辑介绍langGraph的相关功能。

StateGraph

StateGraph是一个表示图形的类。通过传入状态定义来初始化该类。此状态定义表示随时间更新的中心状态对象。此状态由图中的节点更新，这些节点将操作返回到此状态的属性(以键值存储的形式)。

此状态的属性可以通过两种方式更新。首先，可以完全重写属性。如果希望节点返回属性的新值，这将非常有用。其次，可以通过添加属性的值来更新属性。如果属性是所采取的操作列表(或类似的东西)，并且您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)，则这很有用。

Nodes

创建StateGraph之后，您可以使用graph.add_node(name, value)添加节点。name参数应该是一个字符串，我们将在添加边时使用它来引用节点。value参数应该是一个函数或将被调用的LCEL可运行程序。这个函数/LCEL应该接受与State对象相同形式的字典作为输入，并输出一个包含要更新的State对象的键的字典。

还有一个特殊的END节点，用于表示图的结束。重要的是你的周期最终能够结束!

graph.add_node("model", model)
graph.add_node("tools", tool_executor)
from langgraph.graph import END

Edges

起始边

这是将图的起点连接到特定节点的边。这将使该节点成为输入传递到图形时第一个调用的节点。伪代码是：

graph.set_entry_point("model")

正常边

在这些边上，一个节点应该始终在另一个节点之后被调用。这方面的一个例子可能是在基本代理运行时中，我们总是希望在调用工具之后调用模型。

graph.add_edge("tools", "model")

条件边

在这些节点中，使用一个函数(通常由LLM提供支持)来确定首先转到哪个节点。要创建这条边，你需要传入三样东西:

上游节点:将查看该节点的输出，以确定下一步要做什么
函数:将调用该函数以确定下一步调用哪个节点。它应该返回一个字符串
映射:此映射将用于将(2)中的函数的输出映射到另一个节点。键应该是(2)中的函数可能返回的值。这些值应该是返回该值时要转到的节点的名称。

一个例子是，在调用模型后，我们要么退出图表并返回给用户，要么调用一个工具 - 取决于用户的决定！请参阅下面的伪代码示例：

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

Agent Executor

我们用LangGraph重新创建了标准的LangChain AgentExecutor。这将允许您使用现有的LangChain代理，但允许您更容易地修改AgentExecutor的内部。默认情况下，此图的状态包含您应该熟悉的概念(如果您使用过LangChain代理):input、chat_history、intermediate_steps(以及表示最新代理结果的agent_outcome)

from typing import TypedDict, Annotated, List, Union
from langchain_core.agents import AgentAction, AgentFinish
from langchain_core.messages import BaseMessage
import operatorclass AgentState(TypedDict):input: strchat_history: list[BaseMessage]agent_outcome: Union[AgentAction, AgentFinish, None]intermediate_steps: Annotated[list[tuple[AgentAction, str]], operator.add]

Chat Agent Executor

我们看到的一个共同趋势是，越来越多的模型是“聊天”模型，它对消息列表进行操作。这种模型通常配备了函数调用之类的功能，这使得类代理体验更加可行。在使用这些类型的模型时，通常直观地将代理的状态表示为消息列表。

因此，我们创建了一个处理这种状态的代理运行时。输入是一个消息列表，节点只是随着时间的推移向该消息列表添加信息。

from typing import TypedDict, Annotated, Sequence
import operator
from langchain_core.messages import BaseMessageclass AgentState(TypedDict):messages: Annotated[Sequence[BaseMessage], operator.add]