4.3K+ Star！LangGraph：一个用于构建具有状态、多参与者应用程序的库，使用大型语言模型来创建代理和多代理工作流

项目简介

LangGraph^[1] 是一个用于构建具有状态、多参与者应用程序的库，它使用大型语言模型（LLMs）来创建代理和多代理工作流程。

4.3K+ Star！LangGraph：一个用于构建具有状态、多参与者应用程序的库，使用大型语言模型来创建代理和多代理工作流

项目特点

主要特点

与其它LLM框架相比，LangGraph 提供了循环、可控性和持久性这三个核心优势。

LangGraph 允许定义涉及循环的流程，这对于大多数代理架构至关重要，这与基于有向无环图（DAG）的解决方案不同。

作为一个非常底层的框架，LangGraph 提供了对应用程序流程和状态的细粒度控制，这对于创建可靠的代理至关重要。

此外，LangGraph 还包括内置的持久性功能，支持高级的人工干预和记忆特性。

使用场景

LangGraph 可以用于创建需要复杂工作流程和状态管理的智能代理系统，例如：

客户服务聊天机器人，能够记住用户之前的查询并提供连贯的回答。
数据分析工具，可以执行复杂的查询并记住中间状态以供进一步分析。
多步骤决策支持系统，允许用户在决策过程中进行人工干预。

使用方法

安装使用

安装：首先，你需要通过 pip 安装 LangGraph：

pip install -U langgraph

初始化模型和工具：创建一个代理需要使用的工具和模型。例如，你可以使用 langchain-anthropic 包中的 ChatAnthropic 模型，并设置一个搜索工具。
定义图节点：在 LangGraph 中，节点是执行特定任务的单元。你需要定义代理将要使用的节点，例如调用模型的节点和搜索工具的节点。
定义图的入口点和边：设置图的入口点，即首先被调用的节点。然后，定义节点之间的边，包括条件边和普通边，这些边决定了节点的执行顺序。
编译图：将定义好的图编译成一个可执行的 LangChain Runnable 对象。
执行图：使用编译后的 Runnable 对象来执行图，并传入初始状态和配置。

简单示例

以下是一个简单的示例代码，展示了如何使用 LangGraph 创建一个能够使用搜索工具的代理：

from langchain_core.tools import tool
from langchain_anthropic import ChatAnthropic
from langgraph.checkpoint import MemorySaver
from langgraph.graph import StateGraph, MessagesState
from langgraph.prebuilt import ToolNode

# 定义搜索工具
@tool
def search(query: str):
    # 这里是占位符实现，实际使用时需替换为真实的搜索逻辑
    if "sf" in query.lower() or "san francisco" in query.lower():
        return ["It's 60 degrees and foggy."]
    return ["It's 90 degrees and sunny."]

# 定义模型
model = ChatAnthropic(model="claude-3-5-sonnet-20240620", temperature=0)

# 创建图和节点
workflow = StateGraph(MessagesState)
tool_node = ToolNode()
workflow.add_node("agent", model.invoke)
workflow.add_node("tools", tool_node)

# 设置入口点和边
workflow.set_entry_point("agent")
# 定义条件边和普通边的逻辑

# 初始化内存以持久化状态
checkpointer = MemorySaver()

# 编译图
app = workflow.compile(checkpointer=checkpointer)

# 执行图
final_state = app.invoke(
    {"messages": [HumanMessage(content="what is the weather in sf")]},
    config={"configurable": {"thread_id": 42}}
)

print(final_state["messages"][-1].content)