m0_69281817的博客

在 LangGraph 框架里，不管构建的代理是简单还是复杂，归根结底都是借助节点（Node）和边（Edge）来构建一个完整的图（Graph）。但 LangGraph 的核心从来不在于如何去界定节点与边，而是在于。LangGraph 的底层图算法依托机制来定义和执行图中的交互流程，在这一过程中，状态（State）组件担当着关键的载体角色，主要负责在图的各个节点之间传递信息，像核心功能中的工具使用、记忆能力以及人机交互等，都得依仗State来达成并加以维护。

ReAct（Reasoning and Acting）是一种通过协同推理（Reasoning）与行动（Acting）提升大语言模型（LLM）任务解决能力的技术。其核心思想是在解决复杂问题时交替生成推理和动作，形成闭环的决策流程。通过交叉推理和行动，ReAct 使智能体能够动态地在产生想法和特定于任务的行动之间交替，动态地处理复杂任务并提高决策的准确性和可靠性。

大模型的 ​​Function Calling​​（函数调用）是一种让大语言模型（如 GPT、Claude 等）与外部工具、API 或自定义函数交互的机制。它的核心目的是让模型能够根据用户的需求，​​动态调用外部功能​​来完成更复杂的任务，例如查询实时数据、操作数据库、调用数学工具等。

AI Agent（人工智能代理）是Agent在人工智能领域的延伸，​​以大语言模型（LLM）为核心，结合感知、规划、工具调用等能力，实现复杂任务自动化​​。它能够更好地学习、推理和适应环境，其行为更加灵活和智能，不像普通 Agent 那样仅仅依赖于简单的预设规则。目前，Agent 没有一个统一的或大家公认的定义，不同的人常常从不同的角度来定义它。

在上一节中，我们构建了带记忆功能的聊天机器人，但是之前的程序仍然有可以优化的地方。Agent虽能高效执行任务，但有时可能因信息不足或复杂情况而表现得不可靠。此时，人工输入就显得至关重要，它能为代理提供必要的信息或指导，助力任务的成功完成。类似地，对于一些关键或高风险的操作，提前设定人工批准环节是非常有必要的。这不仅能确保操作符合预期，还能有效防止潜在的错误或不当操作带来不良后果。

上一篇中，我们为聊天机器人增加了调用外部工具的功能，但机器人现在还不能记得之前回答的上下文，这限制了其进行连贯的多轮对话的能力。LangGraph 通过持久性检查点机制解决了这个问题。具体来说，如果在编译图时提供了一个，并在调用图时提供了一个thread_id，LangGraph 会在每个步骤后自动保存当前状态。这样一来，当使用相同的thread_id再次调用图时，图会自动加载之前保存的状态，从而使聊天机器人能够从上次停止的地方继续对话。这种检查点机制不仅支持多轮对话，还具备更强大的功能。

在上一篇文章中，我们用LangGraph搭建了一个最简单的聊天机器人，这个机器人可以通过接收用户输入并使用 LLM 生成响应来进行基本对话。但是，这个机器人的知识仅限于其训练数据中的内容。在这篇博客中，我们将添加一个网络搜索工具，以扩展机器人的知识，使其更强大。

LangGraph 是由 LangChain 团队开发的 Python 框架，专注于构建基于图结构的Agent和多Agent应用程序。与LangChain 不同，LangGraph 的核心设计理念是帮助开发人员在Agent工作流程中添加更好的精度和控制，以适应现实世界系统的复杂性。LangGraph通过​​有状态图​​（StateGraph）支持循环、分支和动态流程控制，适合需动态流程控制、状态追踪和人机协同的场景。