一个简单的langgraph agent系统

最新推荐文章于 2025-10-31 11:20:29 发布
原创 最新推荐文章于 2025-10-31 11:20:29 发布 · 851 阅读 · 13 ·
CC 4.0 BY-SA版权
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。
文章标签：

#大模型 #langgraph #agent

        本文基于langgraph的预制件 Agent Chat UI和《搭建一个本地langgraph服务》中的本地服务构建一个简单的agent系统。

        说明：Agent Chat UI需要nodejs版本18及以上，而nodejs18需要的glibc版本为2.28，本人使用操作系统为ubuntu18.04，glibc版本最高支持2.27，所以对glibc作了升级。最好使用ubuntu20.04。因为期间运行环境花了很多时间，在此一并把环境搭建内容写出来。

        一、安装node

        虽然安装方法很多，为避免版本问题，直接手动安装。

        1）从官网下载安装18.20.8版本安装包

        地址：https://nodejs.org/download/release/latest-hydrogen/node-v18.20.8-linux-x64.tar.gz 

        2）解压到指定目录

        #sudo tar cxf node-v18.20.8-linux-x64.tar.gz  -C /usr/local/node

        3）设置node和npm软链

        #sudo ln -s /usr/local/node/bin/node /usr/local/bin/node
        #sudo ln -s /usr/local/node/bin/npm /usr/local/bin/npm

         二、安装pnpm

         因github访问问题，需要手动下载安装文件，并修改安装包地址。

        1）下载install.sh文件

        #curl  https://get.pnpm.io/install.sh -o install.sh

       2）修改install.sh中的archive_url

        #vi install.sh       archive_url="https://hub.gitmirror.com/https://github.com/pnpm/pnpm/releases/download/v${version}/pnpm-${platform}-${arch}"
 

       3）执行安装

        #chmod u+x install.sh

        #./install.sh

       三、安装前端

        1）下载Agent Chat UI代码

        #git  clone   https://github.com/langchain-ai/agent-chat-ui.git

        2）修改配置文件

        进入应用主目录，并执行如下操作：

        #cp .env.example .env

        #vi .env

        #修改如下环境变量的值

        NEXT_PUBLIC_API_URL=http://{langgraph服务所在主机地址}:2024 
        NEXT_PUBLIC_ASSISTANT_ID=agent   #本地服务agent名（见本地服务config.json）

        3）启动前端服务

        #pnpm dev

        输出如下图所示：

        四、重启langgraph服务

        使用langgraph dev启动后端服务时，缺省使用地址为127.0.0.1，此时从浏览器访问不到，所以重启langgraph服务，并使用0.0.0.0地址。

#langgraph  dev  --host 0.0.0.0

        五、使用Agent  Chat  UI聊天

davijohn
关注
【langgraph】ubuntu安装：langgraph：未找到命令
突围
01-24 448
pip install -U "langgraph-cli[inmem]"
Agent框架LangGraph：实现一个简单的Plan-and-Execute Agent
kakaZhui的博客
04-22 729
大型语言模型（LLM）作为 Agent 的“大脑”时，展现出了强大的潜力。然而，面对需要长远规划和多步骤推理的复杂任务，简单的“想到哪做到哪”（如典型的 ReAct 风格）的 Agent 往往会遇到困难。它们可能在中间步骤迷失方向，或者无法预见后续步骤的需求，导致任务失败或效率低下。为了克服这一局限，Plan-and-Execute（规划与执行）成为了一种备受关注的 Agent 设计模式。先思考，再行动，边行动，边调整。
零冲突开发：3步修改LangGraph API默认监听地址全指南
gitblog_00240的博客
09-11 427
你还在为本地开发时API端口冲突烦恼吗？启动项目时频繁遇到"Address already in use"错误？本文将通过修改ollama-deep-researcher项目中的API默认监听地址，彻底解决这一开发痛点。读完本文你将获得： - 精准定位配置文件的能力 - 3种修改监听地址的实操方案 - 冲突排查与验证的完整流程 ## 配置文件定位：找到API地址的源头 API服务的监听地址通常...
从零部署Qwen大模型：vLLM实战指南，零基础小白收藏这一篇就够了！
2401_82469710的博客
08-14 1056
本文将手把手教你使用高性能推理引擎vLLM部署Qwen大模型，并提供Python和Java两种语言的实现代码，帮助不同技术背景的开发者快速上手。
33、LangGraph开发框架（二）-- LangGraph底层原理介绍
最新发布
Andy_shenzl的博客
10-31 1302
前面介绍了LangGraph基本概念，也使用create_react_agent做了简单的实验，如果说create_react_agent是一些图模板，那底层API就指的是允许用户手动去创建这些图的API。采用底层API构建智能体的话要求开发者掌握更加复杂的构建图的语法，但借助底层API，能够更加灵活的完成各类智能体的开发，而且在某些场景下，如实现人在闭环（Human in the loop）或者搭建多智能体（Multi Agent）系统时，必须要使用更加底层的图结构API才能够完成。
2025年你就死磕Deepseek＋小红书王炸组合，坚持到年底你会感谢我的
2301_76168381的博客
02-19 1014
DeepSeek 是一家位于中国的科技公司，专注于开发大型语言模型（LLMs）和人工智能（AI）技术。DeepSeek 由前对冲基金经理梁文峰（Liang Wenfeng）于2023年7月创立，并由其对冲基金 High-Flyer 提供资金支持。公司主要目标是推动人工智能，特别是通用人工智能（AGI）的发展DeepSeek 的模型多为开放源代码，这使得开发者和研究人员可以自由使用、修改和改进这些模型。
【LangGraph】如何使用 LangGraph
彬彬侠的博客
05-13 6240
本文详细介绍了如何使用 LangGraph 构建和管理基于大型语言模型（LLM）的复杂工作流。从安装和环境准备开始，逐步讲解了核心概念、构建工作流的分步指南、代码示例以及高级功能。LangGraph 通过定义状态、节点和边，支持动态逻辑、循环和工具调用，能够灵活处理复杂任务。文章还提供了简单和高级的代码示例，帮助读者理解如何在实际场景中应用 LangGraph，并简要提及了调试、优化和常见问题。通过学习 LangGraph，开发者可以更高效地设计和管理 LLM 工作流。
LangGraph本地服务安装和使用步骤
Sundy_sc的专栏
08-19 1847
本文介绍了LangGraph本地服务的安装与使用步骤：1）创建Python虚拟环境并激活；2）安装LangGraph CLI工具；3）通过模板创建新应用项目；4）安装项目依赖；5）修改graph.py配置本地大模型；6）启动LangGraph开发服务器。整个过程涵盖了从环境搭建到应用部署的关键环节，其中特别说明了虚拟环境管理、依赖配置和本地模型接入方法，最后通过langgraphdev命令启动服务并访问Studio UI进行测试。
使用LangGraph构建多Agent系统架构？
2501_91383091的博客
04-02 1041
Agent是一个使用大语言模型决定应用程序控制流的系统。随着这些系统的开发，它们随时间推移变得复杂，使管理和扩展更困难。Agent拥有太多的工具可供使用，对接下来应该调用哪个工具做出糟糕决策上下文过于复杂，以至于单个Agent无法跟踪系统中需要多个专业领域（例如规划者、研究员、数学专家等）。为解决这些问题，你可能考虑将应用程序拆分成多个更小、独立的代理，并将它们组合成一个多Agent系统。这些独立的Agent可以简单到一个提示和一个LLM调用，或者复杂到像一个ReActAgent（甚至更多！使用。
LangGraph基础知识( Multi-agent)（六）
m0_37242314的博客
06-14 1484
将编译后的子图作为一个节点添加到父图中import os# 定义工具列表"system",),我们根据`create_agent`辅助函数依次去创建`db_agent`和`code_agent`两个代理，分别赋予它们不同的身份设定、基座模型和所能使用的工具。
借助 LangGraph 对 Agent 进行测试
主攻大数据 人工智能 物联网 安全 低空经济等方向。mtsc 、gtest特邀分享嘉宾
06-09 552
LangGraph 的状态流（Stateful Flow）特性使其成为测试复杂 Agent 系统的理想工具，尤其适用于需要模拟多轮交互、上下文依赖或动态决策的场景。流程控制：用节点（Node）和边（Edge）模拟 Agent 的行为路径，支持条件分支。包含 Agent 的内部状态（如记忆、知识库）和测试环境状态（如历史对话、用户画像）。状态管理：通过 State 对象跟踪 Agent 的内部状态（如记忆、知识库）。动态决策：Agent 的行为需根据状态变化（如用户输入、环境反馈）动态调整。
LangGraph——Multi-agent
qq_50863584的博客
09-06 1428
每个agent与Supervisor agent进行通信。Supervisor agent决定接下来应该调用哪个agent。
LangGraph Platform 快速入门
The cure for boredom is curiosity. This is the log of its adventures.
05-18 1223
您将在新 LangGraph 应用的根目录中找到 .env.example 文件。从 new-langgraph-project-python 模板或 new-langgraph-project-js 模板创建新应用。对于生产用途，请部署具有持久存储后端访问权限的 LangGraph 服务器。LangGraph Studio 是一个专用 UI，您可以连接到 LangGraph API 服务器，以可视化、交互和调试您的本地应用。而不指定模板，将会看到一个交互式菜单，允许您从可用模板列表中进行选择。
本地环境部署LangGraph
W3508559248的博客
10-23 697
除可视化UI外，可通过Python SDK（同步/异步）或REST API直接调用本地服务器接口，验证应用功能。通过CLI从官方模板创建新项目，快速生成可扩展的基础架构（示例使用。（可免费注册获取），用于后续应用的追踪、调试与可观测性支持。命令启动本地API服务器，默认启用。进入项目根目录，以“编辑模式”（示例文件，需基于该文件创建。
Langgraph简介与入门
wwx0622的博客
12-04 2707
langgraph开发框架的简要介绍和快速入门
只需8步，手把手教你用LangGraph创建AI智能体
2401_85375186的博客
01-07 2542
LangGraph是LangChain的高级库，为大型语言模型（LLM）带来循环计算能力。它超越了LangChain的线性工作流，通过循环支持复杂的任务处理。状态：维护计算过程中的上下文，实现基于累积数据的动态决策。节点：代表计算步骤，执行特定任务，可定制以适应不同工作流。边：连接节点，定义计算流程，支持条件逻辑，实现复杂工作流。LangGraph简化了AI开发，自动管理状态，保持上下文，使AI能智能响应变化。它让开发者专注于创新，而非技术细节，同时确保应用程序的高性能和可靠性。
【亲测免费】 LangGraph 项目使用教程
gitblog_00064的博客
08-08 1103
LangGraph 项目的目录结构如下： ``` langgraph/ ├── docs/ │ ├── README.md │ └── ... ├── src/ │ ├── main.py │ ├── config.py │ └── ... ├── tests/ │ └── ... ├── .gitignore ├── LICENSE ├── README.md └── ...
TensorFlow相关组件的安装
AAI666666的博客
01-11 3031
TensorFlow相关组件的安装
LangGraph Agent 如何集成 RAGFlow Agent ?
06-26
<think>我们正在讨论如何将RAGFlowAgent集成到LangGraphAgent中。根据引用[1]和[2]，LangGraph是一个用于构建复杂任务规划与执行Agent的框架，而RAGFlow则是一个专注于RAG（检索增强生成）的Agent。集成的主要目的是让LangGraphAgent能够利用RAGFlow的检索能力来获取外部知识，从而更好地完成复杂任务。步骤概述：1.**理解LangGraph和RAGFlow的架构**：-LangGraph基于状态机（statemachine）协调多个Agent或工具，通过节点（nodes）和边（edges）定义工作流[^1]。-RAGFlowAgent提供文档检索能力，通过向量库查询返回与用户问题相关的文档片段。2.**设计集成方案**：-将RAGFlowAgent封装为LangGraph的一个工具（Tool）或节点（Node），使其可以被LangGraph的工作流调用。-在LangGraph的状态中设计一个字段（例如`knowledge`）来存储RAGFlow检索的结果。3.**具体步骤**：**步骤1:封装RAGFlowAgent为LangGraph工具**-使用LangGraph的`ToolNode`或自定义节点，将RAGFlow的检索功能封装成一个可调用的函数。例如：```pythonfromlanggraph.prebuiltimportToolNodedefragflow_retriever(query:str)->str:#调用RAGFlow的API或SDK进行检索results=ragflow_client.query(query)returnresults[0].content#返回最相关的片段```然后将其包装为ToolNode：```pythonragflow_tool=ToolNode([ragflow_retriever])```**步骤2:在LangGraph工作流中定义节点和边**-创建两个节点：一个主Agent节点（负责规划）和RAGFlow工具节点。-根据任务需求，设计边（条件边或普通边）来决定何时调用RAGFlow工具。例如，工作流可以这样设计：```mermaidgraphLRA(开始)-->B[主Agent]B-->C{是否需要知识？}C-->|是|D[RAGFlow工具节点]C-->|否|F[其他工具节点]D-->E[更新状态中的知识字段]E-->BF-->B```**步骤3:状态设计**-定义LangGraph的状态（State），其中包含当前任务信息、历史消息、以及检索到的知识。例如：```pythonfromtypingimportTypedDict,List,Annotatedfromlanggraph.graph.messageimportadd_messagesclassState(TypedDict):messages:Annotated[List[dict],add_messages]#对话消息历史knowledge:str#存储RAGFlow检索到的知识```**步骤4:主Agent的提示词设计**-在主Agent的提示词中，加入指令，使其在需要外部知识时主动调用RAGFlow工具。例如："当你需要查询特定文档（如产品手册、技术文档）时，请调用RAGFlow检索工具。"**步骤5:处理RAGFlow返回结果**-在RAGFlow工具节点被调用后，将检索结果更新到状态中，并作为上下文传递给主Agent的下一次调用。4.**关键问题处理**：-**多跳检索**：如果任务需要多次检索（例如先查A文档再查B文档），LangGraph的状态机可以循环调用RAGFlow节点，每次根据前一次的结果调整查询。-**错误处理**：在边条件中设置超时或重试机制，避免RAGFlow服务不可用导致整个工作流中断。5.**部署与测试**：-使用LangGraph的`compile`方法编译工作流，并部署为API服务。-设计测试用例：验证简单检索任务和需要多步检索的复杂任务。注意：实际集成时，需要根据RAGFlow提供的API或SDK调整调用方式。如果RAGFlow有特定的认证或参数，需要在封装函数中处理。通过以上步骤，LangGraphAgent就可以在复杂任务执行过程中，动态调用RAGFlowAgent获取外部知识，从而增强其回答的准确性和信息量。相关问题：1.如何在LangGraph中处理RAGFlow检索失败的情况？2.LangGraphAgent如何协调多个RAGFlow实例进行并行检索？3.如何优化RAGFlow在LangGraph工作流中的调用频率以避免性能瓶颈？4.在LangGraph中如何实现RAGFlow检索结果的缓存机制？5.如何评估集成RAGFlow后LangGraphAgent的性能提升？</think>### LangGraph Agent 集成 RAGFlow Agent 的方法与步骤 #### 一、核心集成原理 通过 LangGraph 的**状态机架构**协调 RAGFlow 作为工具节点，实现： 1. **知识检索**：RAGFlow 作为专用检索节点处理文档查询 2. **任务编排**：LangGraph 控制多步骤工作流$$ \text{State} \rightarrow \text{Decision} \rightarrow \text{Action} $$ 3. **数据传递**：LangGraph 状态对象传递检索结果$ \text{state}[\text{"knowledge"}] = \text{RAGFlow\_output} $[^1] #### 二、详细集成步骤 ```mermaid graph TB A[LangGraph初始化] --> B[定义状态机] B --> C[创建RAGFlow工具节点] C --> D[构建工作流决策逻辑] D --> E[配置异常处理] E --> F[部署集成系统] ``` ##### 步骤1：环境准备 ```python # 安装核心库 pip install langgraph ragflow-sdk # 环境变量配置（RAGFlow API密钥） import os os.environ["RAGFLOW_API_KEY"] = "your_api_key" ``` ##### 步骤2：定义状态对象 ```python from typing import TypedDict, Annotated from langgraph.graph.message import add_messages class AgentState(TypedDict): user_query: str knowledge: Annotated[list, add_messages] # 存储RAGFlow检索结果 tool_calls: dict # 工具调用记录 ``` ##### 步骤3：创建RAGFlow工具节点 ```python from langgraph.prebuilt import ToolNode from ragflow import RAGClient def ragflow_retriever(query: str): client = RAGClient(endpoint="https://api.ragflow.com") return client.query( query=query, top_k=3, score_threshold=0.7 ) # 封装为LangGraph节点 ragflow_node = ToolNode([ragflow_retriever]) ``` ##### 步骤4：构建工作流 ```python from langgraph.graph import END, StateGraph # 初始化状态机 workflow = StateGraph(AgentState) # 添加节点 workflow.add_node("retriever", ragflow_node) # RAGFlow节点 workflow.add_node("llm_processor", llm_agent) # 假设已定义LLM处理节点 # 设置边条件 def should_retrieve(state): return "需要文档检索" in state["user_query"] # 基于语义判断 workflow.add_conditional_edges( "start", should_retrieve, { True: "retriever", False: "llm_processor" } ) # 连接节点 workflow.add_edge("retriever", "llm_processor") # 检索结果传递给LLM workflow.add_edge("llm_processor", END) # 编译工作流 app = workflow.compile() ``` ##### 步骤5：执行集成系统 ```python # 运行示例 inputs = {"user_query": "解析2024年Q3财报中的$EBITDA$数据"} result = app.invoke(inputs) # 输出结构 { "user_query": "...", "knowledge": [ {"document": "2024_Q3_Report.pdf", "text": "EBITDA达到$5.2B...", "score": 0.85}, ... ], "tool_calls": {"retriever_calls": 1} } ``` #### 三、关键优化点 1. **混合检索策略**： ```python # 在ragflow_retriever中增加关键词过滤 client.query(..., filter_rules={"date": "2024-07~2024-09"}) ``` 2. **结果缓存机制**： ```python from langgraph.checkpoint import MemorySaver workflow = StateGraph(AgentState, checkpoint=MemorySaver()) ``` 3. **动态分块控制**： ```python # 根据查询类型调整分块策略 if "表格" in query: chunk_mode = "TABLE" elif "公式" in query: chunk_mode = "LATEX" ``` #### 四、常见问题解决方案 | 问题类型 | 解决方案 | |---------|----------| | 检索超时 | 设置`timeout=10.0`并添加重试机制 | | 结果碎片化 | 在LLM节点添加结果聚合提示词 | | 权限控制 | 集成前校验`state["user_role"]` | | 版本冲突 | 使用容器化部署隔离环境 | #### 五、性能评估指标 $$ \text{Acc} = \frac{\text{正确检索次数}}{\text{总调用次数}} \times 100\% $$ $$ \text{Latency} = t_{\text{ragflow}} + t_{\text{langgraph}} $$ 建议基准： - 准确率 > 85% - 平均延迟 < 2.5s --- ### 相关问题 1. 如何优化 LangGraph 中 RAGFlow 节点的检索精度？ 2. 在资源受限环境下如何降低 RAGFlow+LangGraph 的内存消耗？ 3. LangGraph 如何协调多个 RAGFlow 实例实现负载均衡？ 4. 如何设计 RAGFlow 检索结果的缓存策略以提升性能？ 5. LangGraph 工作流中如何处理 RAGFlow 的增量更新需求？
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