LangGraph 使用指南

作者：CSDN博客
安装配置

安装依赖

LangGraph 可以通过 pip 安装：

1. pip install langgraph

复制代码

如果您想使用最新的功能和改进，可以从源代码安装：

1. pip install git+https://github.com/langchain-ai/langgraph.git

复制代码

环境配置

LangGraph 与 LangChain 共享许多配置设置。确保您设置了必要的环境变量，例如：

1. exportOPENAI_API_KEY="your-api-key-here"

复制代码

基本概念

状态

在 LangGraph 中，状态是图执行过程中传递的关键数据结构。状态可以是任何可序列化的 Python 对象，但通常是一个包含以下类型信息的字典或 Pydantic 模型：

对话历史中间结果工作内存元数据

节点

节点是图中的处理单元，接受状态作为输入并返回修改后的状态：

函数节点：包装普通 Python 函数LLM 节点：封装与语言模型的交互工具节点：提供与外部系统的集成

边

边定义了节点之间的连接和执行流：

直接边：从一个节点到另一个节点的简单流程条件边：基于条件表达式的分支逻辑

创建简单图

以下是创建和使用简单 LangGraph 的示例：

1. from typing import TypedDict, Annotated, Sequence
2. from langgraph.graph import StateGraph, END
4. # 定义状态类型classConversationState(TypedDict):
5.     messages:list[dict]
6.     intermediate_steps:list# 创建节点函数defcall_model(state: ConversationState)-> ConversationState:
7.     messages = state["messages"]# 这里使用模型处理消息
8.     response ={
9.    
10.    "role":"assistant","content":"这是一个示例回复。"}return{
11.    
12.    "messages": messages +[response]}defroute_based_on_intent(state: ConversationState)-> Annotated[str,("direct_answer","use_tool")]:
13.     last_message = state["messages"][-1]["content"]# 简单的路由逻辑if"工具"in last_message or"搜索"in last_message:return"use_tool"else:return"direct_answer"defuse_tool(state: ConversationState)-> ConversationState:# 这里实现工具调用逻辑
14.     result ="这是工具调用的结果"return{
15.    
16.    "intermediate_steps": state.get("intermediate_steps",[])+[result]}# 创建图
17. builder = StateGraph(ConversationState)# 添加节点
18. builder.add_node("call_model", call_model)
19. builder.add_node("route_intent", route_based_on_intent)
20. builder.add_node("use_tool", use_tool)# 添加边
21. builder.add_edge("route_intent","call_model", condition=</

复制代码

原文地址：https://blog.csdn.net/weixin_41958877/article/details/147150818