AI创想

标题: LangGraph快速入门&项目部署 [打印本页]

作者: 米落枫 时间: 昨天 22:18
标题: LangGraph快速入门&项目部署
作者：CSDN博客
LangGraph快速入门总结

1. LangGraph框架概述

1.1 核心定位

LangGraph是LangChain生态中的新一代Agent开发框架，采用图结构工作流编排，突破了传统链式结构的局限性。
技术特点：

1.2 与LangChain的关系

本质关系

技术实现

核心优势

2. LangGraph技术架构

2.1 三层API架构

┌─────────────────┐
│ 预构建Agent │ 最高层封装
├─────────────────┤
│ Agent API │ 中层封装
├─────────────────┤
│ 底层图结构API │ 基础构建块
└─────────────────┘

复制代码

架构优势：

2.2 图结构核心概念

节点（Nodes）

边（Edges）

状态（State）

2.3.1 调用llm示例：

首先同级目录下创建.env文件，内容如下：

(, 下载次数: 0)

import os
from dotenv import load_dotenv
load_dotenv(override=True)
DeepSeek_API_KEY = os.getenv("DEEPSEEK_API_KEY")from langchain.chat_models import init_chat_model
model = init_chat_model(model="deepseek-chat", model_provider="deepseek")
question ="你好，请你介绍一下你自己。"
result = model.invoke(question)print(result.content)

复制代码

2.3.2 创建智能体：

import requests,json
import os
from dotenv import load_dotenv
load_dotenv(override=True)

复制代码

在LangGraph中，我们可以直接使用外部工具带入到LangGraph中创建智能体，不过更为稳妥的形式，是通过一个结构化工具函数来说明外部函数的参数输入（包括参数类型），以确保在实际调用过程中大模型能够准确识别外部函数的参数类型及其实际含义：

from langchain_core.tools import tool
from pydantic import BaseModel, Field
classWeatherQuery(BaseModel):
loc:str= Field(description="The location name of the city")@tool(args_schema = WeatherQuery)defget_weather(loc):"""
查询即时天气函数
:param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\
注意，中国的城市需要用对应城市的英文名称代替，例如如果需要查询北京市天气，则loc参数需要输入'Beijing'；
:return：OpenWeather API查询即时天气的结果，具体URL请求地址为：https://api.openweathermap.org/data/2.5/weather\
返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息
"""# Step 1.构建请求
url ="https://api.openweathermap.org/data/2.5/weather"# Step 2.设置查询参数
params ={"q": loc,"appid": os.getenv("OPENWEATHER_API_KEY"),# 输入API key"units":"metric",# 使用摄氏度而不是华氏度"lang":"zh_cn"# 输出语言为简体中文}# Step 3.发送GET请求
response = requests.get(url, params=params)# Step 4.解析响应
data = response.json()return json.dumps(data)

复制代码

# 封装外部函数列表
tools =[get_weather]from langchain.chat_models import init_chat_model
model = init_chat_model(model="deepseek-chat", model_provider="deepseek")from langgraph.prebuilt import create_react_agent
agent = create_react_agent(model=model, tools=tools)
response = agent.invoke({"messages":[{"role":"user","content":"请问北京今天天气如何？"}]})print(response["messages"][-1].content)

复制代码

执行链路：

(, 下载次数: 0)

2.3.3 LangGraph React Agent外部工具响应形式:

(, 下载次数: 0)

a.并发调用

response = agent.invoke({"messages":[{"role":"user","content":"请问北上广深今天哪里更热？"}]})
response

复制代码

这里针对llm返回延时或者报错的一种有效解决办法：

from tenacity import retry, stop_after_attempt, wait_fixed
#最多重试 3 次（stop_after_attempt(3)）每次重试间隔 2 秒（wait_fixed(2)） ,config={"timeout": 30}最大响应等待时间@retry(stop=stop_after_attempt(3), wait=wait_fixed(2))defsafe_invoke(agent, inputs,config={"timeout":30}):return agent.invoke(inputs,config)
response = safe_invoke(agent,{"messages":[{"role":"user","content":"请问上海和兰州今天哪里更热？"}]})

复制代码

b.多工具调用

from langchain_core.tools import tool
from pydantic import BaseModel, Field
classWrite_Query(BaseModel):
content:str= Field(description="需要写入文档的具体内容")@tool(args_schema = Write_Query)defwrite_file(content:str)->str:"""
将指定内容写入本地文件。
:param content: 必要参数，字符串类型，用于表示需要写入文档的具体内容。
:return：是否成功写入
"""return"已成功写入本地文件。"# 封装外部函数列表
tools =[get_weather, write_file]
agent = create_react_agent(model=model, tools=tools)
response = agent.invoke({"messages":[{"role":"user","content":"你好，请帮我查询北京和杭州的天气，并将其写入本地文件中。"}]})print(response["messages"][-1].content)

复制代码

2.3.4 LangGraph React Agent接入内置工具流程

LangGraph智能体，除了能够灵活接如自定义工具，还能够接入LangChain丰富的内置工具，快速完成智能体开发。在 LangChain 框架中，工具（Tools）是实现语言模型与外部世界交互的关键机制。LangChain 提供了大量内置与可扩展的工具接口，使得智能体（Agent）能够执行函数调用、访问 API、查询搜索引擎、调用数据库等任务，从而超越纯语言生成的能力，真正实现“能行动的智能体”。LangChain 官方文档将这些工具按照其用途进行了模块化划分，涵盖了以下主要类别：
[table][tr][td]功能类别[/td][td]工具名称[/td][td]简要说明[/td][/tr][tr][td]

欢迎光临 AI创想 (https://www.llms-ai.com/)