LangGraph学习笔记(1)

已于 2025-03-28 10:00:55 修改
阅读量763 收藏 19
点赞数 8
CC 4.0 BY-SA版权
文章标签： 笔记
于 2025-03-27 19:38:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/M1rage/article/details/146564105

目录

前言

一、LangGraph是什么？

1.特点

二、LangGraph代码实现(部分)

1.最简单的图

2.条件边

3.消息的追加(规约)

4. MessagesState(图中放的state)

5.子图

前言

        尽管大模型在自然语言处理领域掀起了一场革命，展现出强大的文本生成、理解能力，但它本身存在着显著局限。大模型缺乏对任务流程的精细化管理，难以按照复杂的业务逻辑执行任务，在实际应用场景中，常出现对话连贯性差、任务执行偏离预期等问题。当面对多步骤、长周期的复杂任务时，大模型更显得力不从心。

        为了应对大模型的不足，LangChain 应运而生。LangChain 是一套专门为开发基于大语言模型的应用而设计的框架。它通过提供各种工具、组件和接口，帮助开发者将大模型与其他资源和功能整合，构建更具交互性、逻辑性和实用性的 AI 应用。借助 LangChain，开发者可以轻松实现多轮对话管理、工具调用以及上下文感知等功能，在一定程度上解决了大模型应用过程中的痛点。然而，随着 AI 应用场景的不断拓展，LangChain 在灵活性、可视化、复杂流程处理等方面的短板逐渐显现。在此背景下，LangGraph 横空出世，凭借其独特的设计和卓越的性能，为大模型应用开发带来了新的思路与解决方案 。​

一、LangGraph是什么？

  • LangGraph 是一个基于LangChain构建的扩展库。
  • LangGraph 是一个用于构建具有状态和多参与者应用程序的 LLM 库，它允许创建具有循环的图，这在大多数智能体架构中是必需的。
  • LangGraph提供了对应用程序流程和状态的细粒度控制，这对于创建可靠的智能体至关重要，并且LangGraph 还内置了包括持久化对话，支持高级的人机交互和记忆功能。

LangGraph是一个专注于构建有状态、多角色应用程序的库，它利用大型语言模型（LLMs）来创建智能体和多智能体工作流。这个框架的核心优势体现在以下几个方面：

  1. 周期性支持：LangGraph允许开发者定义包含循环的流程，这对于大多数中智能体架构来说至关重要。这种能力使得LangGraph与基于有向无环图（DAG）的解决方案区分开来，因为它能够处理需要重复步骤或反馈循环的复杂任务。
  2. 高度可控性：LangGraph提供了对应用程序流程和状态的精细控制。这种精细控制对于创建行为可靠、符合预期的智能体至关重要，特别是在处理复杂或敏感的应用场景时。
  3. 持久性功能：LangGraph内置了持久性功能，这意味着智能体能够跨交互保持上下文和记忆。这对于实现长期任务的一致性和连续性非常关键。持久性还支持高级的人机交互，允许人类输入无缝集成到工作流程中，并使智能体能够通过记忆功能学习和适应。

LangChain虽然能够非常简单方便的实现一个简单应用，但是如果想实现一个复杂的应用还是需要使用LangGraph。
LangGraph是一个python库，用于构建具有状态的，拥有多个参与节点的大模型应用程序，可以创建agent和多agent的工作流。

与其他大型语言模型框架相比，它提供了以下核心优势:可循环的流程、可控性和持久性。

LangGraph允许我们定义一个可循环的流程，也就意味着可以多次执行到某个节点，这对于大多数agent架构至关重要，这使其与基于DAG(有向无环图)的解决方案有所区别。
作为一个非常底层的框架，它提供了对应用程序流程和状态的细粒度控制，通过学习深入，会明白这对于创建可靠的agent至关重要。此外，LangGraph还包括内置的持久性功能，支持高级的人机交互和记忆特性。

1.特点

Cycles and Branching（循环和分支）

功能描述：允许在应用程序中实现循环和条件语句。

应用场景：适用于需要重复执行任务或根据不同条件执行不同操作的场景，如自动化决策流程、复杂业务逻辑处理等。

Persistence（持久性）

功能描述：自动在每个步骤后保存状态，可以在任何点暂停和恢复Graph执行，以支持错误恢复、等。

应用场景：对于需要中断和恢复的长时任务非常有用，例如数据分析任务、需要人工审核的流程等。

Human-in-the-Loop

功能描述：允许中断Graph的执行，以便人工批准或编辑Agent计划的下一步操作。

应用场景：在需要人工监督和干预的场合，如敏感操作审批、复杂决策支持等。

Streaming Support（流支持）

功能描述：支持在节点产生输出时实时流输出（包括Token流）。

应用场景：适用于需要实时数据处理和反馈的场景，如实时数据分析、在线聊天机器人等。

 Integration with LangChain and LangSmith（与LangChain和LangSmith集成）

功能描述：LangGraph可以与LangChain和LangSmith无缝集成，但并不强制要求它们。

应用场景：增强LangChain和LangSmith的功能，提供更灵活的应用构建方式，特别是在需要复杂流程控制和状态管理的场合。

LangGraph 以 LangChain 为核心，以图的方式来构建大模型应用。

图（Graph）是数学中的一个基本概念，它由点集合及连接这些点的边集合组成。图主要用于模拟各种实体之间的关系，如网络结构、社会关系、信息流等。以下是图的基本组成部分：

  1. 节点（Vertex）：图中的基本单元，通常用来表示实体。在社交网络中，每个顶点可能代表一个人；在交通网络中，每个顶点可能代表一个城市或一个交通枢纽。
  2. 边（Edge）：连接两个顶点的线，表示顶点之间的关系或连接。边可以有方向（称为有向图），也可以没有方向（称为无向图）。
  3. 权重（Weight）：有时边会被赋予一个数值，称为权重，表示两个顶点之间关系的强度或某种度量，如距离、容量、成本等。

 

把langgraph理解成一个工作流 

基本类型的Graph

二、LangGraph代码实现(部分)

1.最简单的图

StateGraph 是 LangGraph 主要使用的一个类，这是由用户定义的State对象参数化的，它由用户定义的状态对象参数化。

代码如下（示例）：

from langgraph.graph import StateGraph,START,END

#定义一个节点函数,接收状态,返回新的状态
def my_node(state):
    return {"x":state['x']+1,"y":state["y"]+2}
#创建一个状态图
builder = StateGraph(dict)
#创建节点
builder.add_node('node1',my_node)
#创建边
builder.add_edge(START,'node1')
builder.add_edge("node1",END)
#编译图
graph =builder.compile()
#执行图
print(graph.invoke({"x":1,"y":2}))

简单创建图的步骤：

  1. 创建保存图的状态的字典
  2. 创建智能体
  3. 创建带状态的图
  4. 添加节点 节点和智能体绑定
  5. 编译图
  6. 使用：通过图执行智能体和管理  invoke
from langgraph.graph import START, END, StateGraph
from typing_extensions import TypedDict

# 1.创建保存图的状态的字典
class State(TypedDict):
    foo: int

# 2.创建智能体
def my_agent(state):
    return {"foo": state["foo"] ** 2}

# 3.创建带状态的图
_builder = StateGraph(State)

# 4.添加节点 节点和智能体绑定
_builder.add_node("node1", my_agent)
_builder.add_edge(START, "node1")
_builder.add_edge("node1", END)

# 5.编译图
_graph = _builder.compile()

# 6.执行图
print(_graph.invoke({"foo": 88}))

2.条件边

条件边的使用

  1. 创建保存图的状态的字典
  2. 创建智能体
  3. 创建条件智能体
  4. 创建带状态的图
  5. 创建节点 节点和智能体绑定
  6. 添加边和条件边
  7. 编译图
  8. 使用：通过图执行智能体和管理  invoke

代码如下（示例）：

class State(TypedDict):
    foo: int

def my_agent01(state):
    r = {"foo": state["foo"] ** 2}
    print(r)
    return r

def cond_edges(state):
    if state["foo"]>100:
        return END
    else:
        return "node1"

builder = StateGraph(State)
builder.add_node("node1", my_agent01)
builder.add_edge(START,"node1")
builder.add_conditional_edges("node1", cond_edges, ["node1", END])

graph = builder.compile()
print(graph.invoke({"foo": 9}))

from IPython.display import Image, display
graph.get_graph().draw_mermaid_png(output_file_path="./output/con_edge.png")

3.消息的追加(规约)

消息操作两种：覆盖、追加

追加消息：场景大模型是需要历史的进行消息推理

状态信息追加步骤

  1. 创建保存图的状态的字典  foo:Annotated[list[int],add]
  2. 创建智能体
  3. 创建带状态的图
  4. 添加节点 节点和智能体绑定
  5. 编译图
  6. 使用：通过图执行智能体和管理  invoke  _graph.invoke({"foo":[10]})

代码如下（示例）：

from langgraph.graph import StateGraph, START, END
from typing_extensions import TypedDict
from typing import Annotated
from operator import add
from IPython.display import Image,display

class State(TypedDict):
    # Annotated的作用是给foo定义为list[int]类型
    foo: Annotated[list[int], add]

def agent_01(state):
    return{"foo": [state['foo'][0] ** 2]}

builder = StateGraph(State)
builder.add_node("node01", agent_01)
builder.add_edge(START, "node01")
builder.add_edge("node01", END)
graph = builder.compile()
print(graph.invoke({"foo": [23]}))

graph.get_graph().draw_mermaid_png(output_file_path="./output/state_app.png")
from langgraph.graph import StateGraph,START,END
from typing_extensions import TypedDict,List,Dict,Any

from typing import Annotated
from operator import add

# 1.创建保存图的状态的字典
class State(TypedDict):
    foo:int
    bar:list[str]
    

def update_state(current_state:State, updates: Dict[str,Any]):
    #创建一个新的状态的字典
    new_state= current_state.copy()
    #更新状态字典中的值
    new_state.update(updates)
    return new_state

#初始状态
state: State ={"foo":1,"bar":['hi']}
print(state)
#第一个节点返回的更新
node1_update = {"foo":2}
state=update_state(state,node1_update)
print(state)
#第二个节点返回的更新
node2_update ={"bar":['bye']}
state=update_state(state,node2_update)
print(state)

4. MessagesState(图中放的state)

messageState会用追加的方式记录历史信息，聊天中需要历史消息

MessageState实现消息追加的步骤

  1. 创建保存图的状态的字典 继承MessageState
  2. 创建智能体   添加 messages字段的value
  3. 创建带状态的图
  4. 创建节点 节点和智能体绑定
  5. 编译图
  6. 使用：通过图执行智能体和管理  invoke 测试messages字段的value， 如 {"messages":"hello", "foo":10}
from langgraph.graph import StateGraph,START,END
from typing_extensions import TypedDict
from langgraph.graph.message import MessagesState

# 1.创建保存图的状态的字典
class State(MessagesState):
    foo:int

# 2.创建智能体
def agent_01(state):
    return {"messages":"world", "foo":state['foo'] + 1}

# 3.创建带状态的图
_builder = StateGraph(State)

# 4.创建节点 节点和智能体绑定
_builder.add_node("node_01",agent_01)
_builder.add_edge(START,"node_01")
_builder.add_edge("node_01",END)

# 5.编译图
_graph = _builder.compile()


# 6.使用：通过图执行智能体和管理  invoke
_r = _graph.invoke({"messages":"hello", "foo":10})

print(_r)

5.子图 

节点包含另一节点 

子图--图包含图步骤

  1. 创建带子图的状态class 属性foo 规约
  2. 创建5个智能体代理   01、02、l1、r1、r1
  3. 构建子图
  4. 构建主图，追加子图
  5. 编译生成图和运行
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph,START,END
from operator import add
from IPython.display import display,Image

class State(TypedDict):
    foo : Annotated[list[str], add]

def agent_01(state):
    return {"foo" : ["n1"]}
def agent_02(state):
    return {"foo" : ["l1"]}
def agent_03(state):
    return {"foo" : ["r1"]}
def agent_04(state):
    return {"foo" : ["r2"]}

_sub_builder = StateGraph(State)
_sub_builder.add_node("node_r1", agent_03)
_sub_builder.add_node("node_r2", agent_04)

_sub_builder.add_edge(START, "node_r1")
_sub_builder.add_edge("node_r1", "node_r2")
_sub_builder.add_edge("node_r2", END)

_builder = StateGraph(State)
_builder.add_node("node_n1", agent_01)
_builder.add_node("node_l1", agent_02)
_builder.add_node("sub_graph", _sub_builder.compile())

_builder.add_edge(START, "node_n1")
_builder.add_edge("node_n1", "sub_graph")
_builder.add_edge("node_n1", "node_l1")
_builder.add_edge("sub_graph", END)
_builder.add_edge("node_l1", END)

_graph = _builder.compile()
result = _graph.invoke({"foo":[]})
print(result)

_graph.get_graph().draw_mermaid_png(output_file_path="./output/5.main_graph.png")
_graph.get_graph(xray=1).draw_mermaid_png(output_file_path="./output/5.main_sub_graph.png")

 

M1rage
关注
【AI Agent系列】【LangGraph】1. 进阶实战：给你的 LangGraph 加入条件分支（Conditional edges）
同学小张的博客
04-04 3028
前面我们了解了 LangGraph 的概念和基本构造方法，今天我们来看下 LangGraph 构造中的进阶用法：给边加个条件 - 条件分支（Conditional edges）。
LangGraph基础：带你系统性了解LangGraph中的必备知识
u011160113的博客
04-14 1101
 LangGraph 是 LangChain 生态系统中的一个重要工具，通过基于图的建模方式和强大的状态管理机制，为开发者提供了构建复杂智能体应用的能力。本文主要系统性的介绍一些LangChain中一些必知必会的基础知识，方便我们后续做项目开发。
LangGraph 快速入门
最新发布
weixin_34452850的博客
06-13 690
要把大象装冰箱，总共分几步？LangGraph告诉你！
LangGraph简介
大多_C的博客
06-01 1897
LangGraph是 LangChain 的一个扩展，旨在通过将步骤建模为图中的边缘和节点，构建具有大型语言模型（LLMs）的强大和有状态的多角色应用程序。LangGraph 提供了用于创建常见类型代理的高级接口，以及用于组合自定义流程的低级 API。
一文详解智能体开发框架Langgraph：基础流程和理论梳理
EnjoyEDU的博客
05-30 1335
在大模型技术的应用过程中，智能体算是一个主要的技术方向；如果说把大模型比作人的大脑，那么智能体就是人的手和脚；大脑能够思考，但具体的事情还是需要手和脚才能做。
LangGraph
AI工程化、开源分享、文档翻译、代码笔记
04-05 2508
关于 LangGraph 安装 快速使用 与LCEL 交互 条件边 Cycles 设置工具 设置模型 定义代理状态 定义节点 定义图表 使用 流媒体 流式节点输出 流式 LLM Tokens 何时使用 操作指南 异步 流式 Tokens 持久化 人机交互 可视化图表 “时间旅行” 示例 ChatAgentExecutor：带函数调用 代理执行者 规划代理示例 反思/自我批评 多代理示例 网络研究 通过模拟评估 Chatbot 多模式示例 表链 文档 状态图 `__init__` `.add_node` `.
LangGraph：构建多代理动态工作流的开源框架，支持人工干预、循环、持久性等复杂工作流自动化
Code1994的博客
01-03 2526
作为 LangChain 生态系统的一部分，LangGraph 提供了循环、可控性和持久性等核心优势，支持定义涉及循环的流程，提供细粒度的流程和状态控制，并内置持久性功能，支持高级的人工干预和记忆功能。行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
LangGraph：基于图结构的大模型智能体开发框架
深度学习机器
12-20 1036
LangGraph的StateGraph是一种状态机，包含了节点和边，节点一般是定义好的函数，边用于连接不同的节点，用于表示图的执行顺序。初始化模型和工具定义图的状态信息定义图节点定义图的入口节点和边关系编译图执行图# 初始化模型# 定义图的状态信息# 定义图节点# 定义图的入口和边# 编译图# 执行图user_input = '介绍你自己'
LangGraph：基于图结构的智能系统开发与实践
喜欢猪猪
01-20 1384
LangGraph 是一种创新的框架，它将图结构的优势引入到智能系统的构建中，旨在通过图的强大表示能力和推理能力，为各种智能应用提供更加灵活和强大的基础架构。LangGraph 为构建复杂的智能系统提供了一种强大的图结构基础，通过其核心组件和实现机制，为多种业务场景提供了支持。在 Java 示例中，我们看到了如何使用图结构构建聊天机器人、多智能体系统和信息检索系统，并且了解了它们的工作原理和代码实现。
langgraph学习
03-10
### 关于 LangGraph 的学习资源 对于希望深入了解或开始学习 LangGraph 的开发者而言，存在多种高质量的学习材料可供选择。 #### 官方文档与教程 官方文档提供了详尽的概念介绍和技术细节解析[^1]。通过这些资料...
图灵langgraph笔记
04-03
该技术的核心在于利用生成式表征学习方法来调整指令微调过程中的参数分布[^1]。具体而言，LangGraph 结合了预训练语言模型的强大泛化能力和特定领域任务的需求定制能力。 #### 关于 LangGraph 的开发文档和技术资料...
大模型学习笔记-汇总篇
lvaolan8888的博客
07-03 516
本文记录一下最近一个月学习的大模型相关的技术知识点，为拥抱AI浪潮做些技术储备。大模型术语相关参数规模GPT 3.5 千亿级别GPT4 1.8W亿级别国内一般都是十亿或百亿级别淘宝星辰_4K_13BTOKEN长度Token是指被LLM处理的离散的数据单元，可能是一个单词、也可能是一个字符，这个是由上下文决定的。TOKEN数量是指 输入和输出加起来的长度之和TOKEN数量，决定了 prompt和输出的长度，同样会影响推理的速度，prompt越长，推理时间越长。
LangGraph介绍
谁怕平生太急
05-20 2871
找一个LangGraph的标准实例、结合代码可以有更好的掌握比较复杂的Agent流程、最好是多循环模式。敬请期待。
Langgraph小入门
xnuscd的博客
11-04 2578
在 LangGraph 中，节点是图的基本单元，通常是 Python 函数，它们负责执行图中的实际操作。节点可以是同步或异步（async）函数，函数的第一个参数是图的状态，而第二个参数是可选的配置，用于传递额外的可配置参数。"}# 第二个参数是可选的my_node：这是一个包含两个参数的节点函数。第一个参数是state，即图的当前状态。第二个参数是config，这是一个可选的对象，用于传递额外的配置信息（例如user_id节点函数执行后，它返回一个更新后的状态，例如。
【AI开发】LangGraph基础
qq_44899247的博客
06-14 2381
在LangGraph中有三个重要元素。
LangGraph入门教程
xnuscd的博客
10-16 2401
langgraph入门
简单的LangGraph示例
happyweb的专栏
05-01 2245
摘要：一个开箱即可使用的LangGraph示例，方便学习LangGraph的各种概念，并可以在PyCharm中跟踪调试各个变量的值。
LangChain 最近发布的一个重要功能：LangGraph
2301_78285120的博客
02-04 3055
next: str。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值