langgraph入门教案

LangGraph 深度学习教案

目录

1. 引言
   • LangChain 与 LangGraph 的关系
   • 为什么选择 LangGraph
2. LangGraph 基础概念
   • 节点（Nodes）
   • 边（Edges）
   • 状态（State）
3. 环境配置
   • 安装必要的库
   • 配置数据库和模型
4. 构建单代理工作流程
   • 定义 SQL 执行工具
   • 定义代理状态
   • 构建代理
   • 可视化代理图
   • 测试代理
5. 持久化和流式处理
   • 持久化状态
   • 流式处理数据
   • 多线程交互
6. 构建多代理系统
   • 定义多代理状态
   • 构建路由器节点
   • 构建专家节点
   • 构建编辑器和人类反馈节点
   • 测试多代理系统
7. 总结

---

1. 引言

LangChain 与 LangGraph 的关系

LangChain 是一个用于构建由大型语言模型（LLM）驱动的应用程序的领先框架。它允许开发者使用 LangChain 表达语言（LCEL）来定义和执行操作序列，这些序列被称为链（Chains）。这些链可以视为有向无环图（DAG），用于线性执行任务。

然而，随着 LLM 应用程序的发展，特别是在构建代理（Agents）时，我们需要更复杂的交互，包括循环、条件逻辑和多步骤推理。这就引入了 LangGraph，它是 LangChain 的一个新模块，允许我们将交互建模为循环图，从而支持更复杂的工作流和代理行为。

为什么选择 LangGraph

LangGraph 提供了以下优势：

• 灵活性：支持循环和条件逻辑，能够构建复杂的对话和推理流程。
• 模块化设计：通过节点和边的组合，可以轻松地添加或修改代理的行为。
• 持久化和恢复：状态在每个步骤后自动保存，允许在任何时刻暂停和恢复执行，这对于需要人机交互的应用程序非常重要。

---

2. LangGraph 基础概念

在开始实际编码之前，我们需要理解 LangGraph 的三个核心概念：节点、边和状态。

节点（Nodes）

节点代表实际的操作，可以是以下之一：

• LLM 调用：调用大型语言模型进行推理或生成文本。
• 代理：可以是另一个嵌套的代理，负责特定任务。
• 函数或工具：执行特定的功能，如数据库查询、API 调用等。

边（Edges）

边连接节点，确定图的执行流程。边有两种类型：

• 基本边：简单地将一个节点连接到下一个节点，表示顺序执行。
• 条件边：包含条件逻辑，根据状态决定下一步执行哪个节点。

状态（State）

状态是图的快照，包含执行过程中所有需要共享或持久化的数据。状态在节点之间传递，并可以被节点读取或修改。状态的设计对于代理的正确执行至关重要，因为它允许节点之间共享信息，并支持复杂的交互。

---

3. 环境配置

在开始编写代码之前，我们需要设置开发环境，安装必要的库，并配置模型和数据库。

安装必要的库

确保您的计算机上安装了 Python 3.6 或更高版本。

# 安装 langchain_community
pip install langchain_community

# 更新安装 langgraph
pip install -U langgraph

# 安装 graphviz（用于绘制图形）
brew install graphviz  # 如果您使用的是 macOS

# 安装 pygraphviz（用于在 Python 中使用 graphviz）
pip install pygraphviz

注意：在安装 pygraphviz 时，可能需要指定编译选项，以正确找到 graphviz 的头文件和库文件。如果遇到安装问题，请参考 pygraphviz 的安装指南。

配置数据库和模型

在本教案中，我们将使用 ClickHouse 数据库和 OpenAI 的 GPT-4 模型（或其替代模型）。

import os
import json

# 读取配置文件（假设您有一个包含 API 密钥的 config.json 文件）
with open('config.json') as f:
    config = json.loads(f.read())

# 设置环境变量
os.environ["OPENAI_MODEL_NAME"] = 'gpt-4o-mini'  # 或者您选择的模型
os.environ["OPENAI_API_KEY"] = config['OPENAI_API_KEY']
os.environ["TAVILY_API_KEY"] = config["TAVILY_API_KEY"]

---

4. 构建单代理工作流程

在这一部分中，我们将构建一个简单的代理，能够根据用户输入执行 SQL 查询，并返回结果。

4.1 定义 SQL 执行工具

首先，我们需要定义一个工具，用于执行 SQL 查询。

from langchain_core.tools import tool
from pydantic.v1 import BaseModel, Field

# 定义 SQL 查询的参数模型
class SQLQuery(BaseModel):
    query: str = Field(description="要执行的 SQL 查询")

# 定义执行 SQL 的工具
@tool(args_schema=SQLQuery)
def execute_sql(query: str) -> str:
    """返回 SQL 查询执行的结果"""
    return get_clickhouse_data(query)

我们还需要定义 get_clickhouse_data 函数，用于实际执行 SQL 查询。

CH_HOST = 'http://localhost:8123'  # ClickHouse 默认地址
import requests

def get_clickhouse_data(query, host=CH_HOST, connection_timeout=1500):
    r = requests.post(host, params={
   
   'query': query}, timeout=connection_timeout)
    if r.status_code == 200:
        return r.text
    else:
        return '数据库返回以下错误:\n' + r.text

说明：

• 我们使用 @tool 装饰器将 execute_sql 函数注册为 LangChain 工具。
• SQLQuery 是一个 Pydantic 模型，用于定义工具的参数和描述，帮助 LLM 正确地调用工具。
• execute_sql 函数调用了 get_clickhouse_data 来执行实际的 SQL 查询。

4.2 定义代理状态

接下来，我们需要定义代理的状态，以便在节点之间共享信息。

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator
from langchain_core.messages import AnyMessage, SystemMessage, HumanMessage, ToolMessage

# 定义代理状态
class AgentState(TypedDict):
    messages: Annotated[list[AnyMessage], operator.add]

说明：

• AgentState 是一个字典类型，包含一个 messages 列表，用于存储对话历史。
• Annotated 和 operator.add 用于指示在状态更新时，新的消息将添加到列表中，而不是替换。

4.3 构建代理

现在，我们开始构建代理，定义其节点和执行逻辑。

class SQLAgent:
    def __init__(self, model, tools, system_prompt=""):
        self.system_prompt = system_prompt
        graph = StateGraph(AgentState)

        # 添加节点
        graph.add_node("llm", self.call_llm)
        graph.add_node("function", self.execute_function)

        # 添加条件边：如果存在函数调用，则执行函数节点，否则结束
        graph.add_conditional_edges(
            "llm",
            self.exists_function_calling,
            {
   
   True: "function", False: END}
        )

        # 添加边：从函数节点回到 llm 节点
        graph.add_edge("function", "llm")

        # 设置起点
        graph.set_entry_point("llm")

        # 编译图
        self.graph = graph.compile()
        self.tools = {
   
   t.name: t for t in tools}
        self.model = model.bind_tools(tools)

    # 检查是否存在函数调用
    def exists_function_calling(self, state: AgentState):
        result = state['messages'][-1]
        return len(result.tool_calls) > 0

    # 调用 LLM
    def call_llm(self, state: AgentState):
        messages = state['messages']
        if self.system_prompt:
            messages = [SystemMessage(content=self.system_prompt)] + messages
        message = self.model.invoke(messages)
        return {
   
   'messages': [message]}

    # 执行函数调用
    def execute_function(self, state: AgentState):
        tool_calls = state['messages'][-1].tool_calls
        results = []
        for t in tool_calls:
            if not t['name'] in self.tools:
                result = "错误：没有这样的工具，请重试"
            else:
                result = self.tools[t['name']].invoke(t