AI创想

标题: LangGraph(一)——构建聊天机器人 [打印本页]
作者: AI小编    时间: 4 小时前
标题: LangGraph(一)——构建聊天机器人
作者：CSDN博客
目录


1. LangGraph简介

  LangGraph是一个用于构建可控Agent的底层编排框架。LangGraph支持Agent编排——提供可定制的框架、长期记忆和人机协同功能，以达到可靠处理复杂任务的目的。同时，LangChain提供集成和可组合的组件，以达到简化LLM应用程序开发的目的。
2. 使用uv初始化项目

  Windows上安装uv管理器：
  powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
  使用uv初始化项目：
  uv init <your-project-name>
  安装项目依赖：
  uv add langgraph langchain-deepseek
3. 配置大模型API_KEY

  在Windows上配置环境变量XXX_API_KEY，LangGraph是通过环境变量来获取大语言模型的API_KEY。下面的代码是官网上配置API_KEY环境变量的代码。
  1. import getpass
  2. import os
  4. def_set_env(var:str):ifnot os.environ.get(var):
  5.         os.environ[var]= getpass.getpass(f"{var}: ")
  7. _set_env("DEEPSEEK_API_KEY")
复制代码
  如果没有事先在Windows上配置好环境变量，会弹出一个输入框，然后将该变量的值写入到环境变量中。
4. 初始化StateGraph

  构建一个ChatBot的第一步是创建一个StateGraph。StateGraph将ChatBot的结构定义为一个状态机，接着需要添加表示ChatBot调用的大语言模型和函数的nodes，以及表示该Bot在这些函数之间如何变化的edges。
  1. from typing import Annotated
  3. from typing_extensions import TypedDict
  5. from langgraph.graph import StateGraph, START, END
  6. from langgraph.graph.message import add_messages
  9. classState(TypedDict):# Messages have the type "list". The `add_messages` function# in the annotation defines how this state key should be updated# (in this case, it appends messages to the list, rather than overwriting them)
  10.     messages: Annotated[list, add_messages]
  13. graph_builder = StateGraph(State)
复制代码
  上面代码中的StateGraph处理两个关键任务：
  1. 每个node能接收作为输入的当前State，输出对State的更新。
  2. 对messages的更新将被追加到已经存在的list中。
5. 添加chatbot node

  Nodes代表工作单元，通常是常规的Python函数。通过如下的代码在StateGraph中添加chatbot node：
  1. from langchain.chat_models import init_chat_model
  3. llm = init_chat_model(model="deepseek:deepseek-chat")defchatbot(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.
  4. graph_builder.add_node("chatbot", chatbot)
复制代码
  上面定义的chatbot node函数以当前State作为输入，输出一个键为messages，值为更新后messages列表的字典。这是LangGraph中典型的node函数。此外，State中的add_messages函数会追加大语言模型的响应消息。
6. 添加edges

  添加进入点以告诉StateGraph何处开始工作：
  graph_builder.add_edge(START, "chatbot")
  添加结束点以告诉StateGraph运行哪个node时结束：
  graph_builder.add_edge("chatbot", END)
  在运行StateGraph之前需要调用compile()函数以获取编译后的Graph：
  graph = graph_builder.compile()
7. 可视化StateGraph

  可以通过如下的代码可视化前面构建的Graph：
  1. from IPython.display import Image, display
  3. try:
  4.     display(Image(graph.get_graph().draw_mermaid_png()))except Exception:# This requires some extra dependencies and is optionalpass
复制代码
  Graph的可视化结果：

(, 下载次数: 0)


8. 构建聊天循环

  可以通过如下的代码构建聊天循环，当输入quit、exit或q时，结束聊天：
  1. defstream_graph_updates(user_input:str):for event in graph.stream({"messages":[{"role":"user","content": user_input}]}):for value in event.values():print("Assistant:", value["messages"][-1].content)whileTrue:try:
  2.         user_input =input("User: ")if user_input.lower()in["quit","exit","q"]:print("Goodbye!")break
  3.         stream_graph_updates(user_input)except:# fallback if input() is not available
  4.         user_input ="What do you know about LangGraph?"print("User: "+ user_input)
  5.         stream_graph_updates(user_input)break
复制代码
  运行后，在输入框内输入目前的AI Agent框架有哪些？

(, 下载次数: 0)

  得到大模型的响应消息后，重新弹出输入框，在其中输入exit。

(, 下载次数: 0)

  结束聊天循环的同时输出如下的文本：
  1. Assistant: 目前AI Agent框架发展迅速，涵盖从研究原型到工业级应用的多种工具。以下按类别整理主要框架，并附关键特点：
  3. ---
  5. ### **一、通用型开发框架**
  6. 1. **LangChain**  
  7.    - 特点：模块化设计，支持多模型、工具调用和记忆管理  
  8.    - 场景：快速构建RAG应用、自动化工作流  
  9.    - 新增：LangGraph支持复杂Agent工作流编排  
  11. 2. **AutoGen (Microsoft)**  
  12.    - 特点：多Agent对话框架，支持自定义角色协作  
  13.    - 优势：内置优化的人机交互模式  
  15. 3. **Semantic Kernel (Microsoft)**  
  16.    - 定位：企业级插件编排框架  
  17.    - 集成：深度兼容Azure OpenAI服务  
  19. 4. **LlamaIndex**  
  20.    - 专长：数据连接与检索增强生成（RAG）  
  21.    - 进阶：支持结构化/非结构化数据混合查询  
  23. ---
  25. ### **二、智能体平台（低代码/云服务）**
  26. 1. **ReAct (Google Research)**  
  27.    - 学术框架：基于"Reasoning + Acting"的经典范式  
  28.    - 影响：成为后续许多框架的理论基础  
  30. 2. **AutoGPT**  
  31.    - 标志性项目：首个展示自主目标分解的Agent  
  32.    - 局限：高token消耗，适合实验性场景  
  34. 3. **BabyAGI**  
  35.    - 轻量化：基于任务队列的简约实现  
  36.    - 衍生：TaskWeaver等专业框架的前身  
  38. ---
  40. ### **三、垂直领域框架**
  41. 1. **Hugging Face Transformers Agents**  
  42.    - 优势：直接调用数千个HF模型作为工具  
  43.    - 生态：无缝衔接开源模型库  
  45. 2. **JARVIS (Microsoft)**  
  46.    - 特色：多模态任务规划（CV+NLP+机器人控制）  
  48. 3. **Voyager (Minecraft AI)**  
  49.    - 案例：游戏内自主探索的具身智能体  
  51. ---
  53. ### **四、新兴研究方向**
  54. 1. **CrewAI**  
  55.    - 创新点：面向企业流程的Agent角色编排  
  57. 2. **GPT Engineer**  
  58.    - 代码生成：通过自然语言生成完整代码库  
  60. 3. **OpenAI Assistant API**  
  61.    - 商业化方案：内置持久化记忆和文件处理  
  63. ---
  65. ### **五、底层支持库**
  66. 1. **PyTorch Lightning + RLlib**  
  67.    - 适用：需要强化学习的Agent开发  
  69. 2. **DSPy (Stanford)**  
  70.    - 突破：将提示词优化转化为可训练模块  
  72. ---
  74. ### **选择建议**
  75. - **快速验证**：LangChain + OpenAI API  
  76. - **复杂系统**：AutoGen多Agent协作  
  77. - **生产部署**：Semantic Kernel + Azure集成  
  78. - **开源可控**：LlamaIndex + 本地LLM  
  80. 2024年趋势关注：  
  81. - Agent间通信协议标准化  
  82. - 长周期记忆存储方案  
  83. - 与机器人系统的深度集成  
  85. 需要具体场景的框架推荐，可进一步说明需求细节。
  86. Goodbye!
复制代码
参考

https://langchain-ai.github.io/langgraph/tutorials/get-started/1-build-basic-chatbot/

原文地址：https://blog.csdn.net/qq_51180928/article/details/147356676



欢迎光临 AI创想 (https://www.llms-ai.com/) Powered by Discuz! X3.4