rag系列文章目录

---

前言

LangGraph 是 LangChain 的一个分支或扩展，专注于构建和运行基于图的、有状态的、多参与者的工作流。它通过将复杂的任务分解为多个节点（步骤），并通过边（依赖关系）连接这些节点，来实现更灵活和强大的任务编排。

一、核心概念

LangGraph 的核心思想是将任务建模为 有向图，其中：

节点（Node）：表示一个具体的任务或操作（如调用 LLM、执行函数、访问数据库等）。

边（Edge）：表示节点之间的依赖关系或执行顺序。

状态（State）：在整个图执行过程中，状态可以在节点之间传递和共享。

二、使用优点

（1）灵活的任务编排
LangGraph 允许你将复杂的任务分解为多个步骤，并通过图的形式定义它们的执行顺序和依赖关系。这种方式比传统的线性任务编排更灵活，适合处理复杂的业务逻辑。

（2）有状态的工作流
LangGraph 支持 有状态的工作流，即每个节点可以访问和修改全局状态。这使得在任务执行过程中可以动态调整行为。

（3）多参与者支持
LangGraph 支持多个参与者（如多个 LLM、外部 API、数据库等）协同工作。每个节点可以由不同的参与者执行，从而实现更复杂的任务。

（4）可视化与调试
通过将任务建模为图，LangGraph 可以更容易地可视化和调试工作流。你可以清晰地看到每个节点的输入、输出和执行顺序。

三、实践

1. 定义tools
   这里定义了两个工具tools，分别是查询天气的工具，还有一个网页搜索的工具，这两个tools一起构建一个langgraph的一个节点Node。

from langgraph.prebuilt import ToolNode
from langgraph.graph import StateGraph, MessagesState, START, END
import requests
from typing import Literal
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
@tool
def get_weather(query: str) -> list:
    """Search weatherapi to get the current weather"""
    # 需要补全access_key
    endpoint = f"http://api.weatherstack.com/current?access_key=&query={query}"
    response = requests.get(endpoint)
    data = response.json()

    if data.get("current"):
        return data
    else:
        return "Weather Data Not Found"

@tool
def search_web(query: str) -> list:
    """Search the web for a query"""
    tavily_search = TavilySearchResults(api_key="ss", max_results=2, search_depth='advanced', max_tokens=1000)
    results = tavily_search.invoke(query)
    return results

2. 大模型
   大模型是agent的大脑，这里将大模型构建为一个langgraph的一个节点Node。

# define a tool_node with the available tools
tools = [search_web, get_weather]
tool_node = ToolNode(tools)

llm = ChatOpenAI(base_url="https://aaa.tt/v1",
    api_key="sk-sss",
    model="gpt-4o-2024-05-13")

llm_with_tools = llm.bind_tools(tools)
# define functions to call the LLM or the tools
def call_model(state: MessagesState):
    messages = state["messages"]
    response = llm_with_tools.invoke(messages)
    return {"messages": [response]}

def call_tools(state: MessagesState) -> Literal["tools", END]:
    messages = state["messages"]
    last_message = messages[-1]
    if last_message.tool_calls:
        return "tools"
    return END

3. 构建graph
   首先构建一个langgraph的workflow，加入上面创建的两个Node。然后创建一个从START到LLM的边Edge，创建一个从Tools到LLM的边，这是因为工具调用的结果需要返回给大模型LLM。最后创建一个Conditional的边Edge，因为LLM可能需要调用工具，也可能直接END。
   

# initialize the workflow from StateGraph
workflow = StateGraph(MessagesState)

# add a node named LLM, with call_model function. This node uses an LLM to make decisions based on the input given
workflow.add_node("LLM", call_model)

# Our workflow starts with the LLM node
workflow.add_edge(START, "LLM")

# Add a tools node
workflow.add_node("tools", tool_node)

# Add a conditional edge from LLM to call_tools function. It can go tools node or end depending on the output of the LLM.
workflow.add_conditional_edges("LLM", call_tools)

# tools node sends the information back to the LLM
workflow.add_edge("tools", "LLM")

构建完成之后，就可以对workflow进行编译，然后执行workflow，逐步打印结果。结果如下：

if __name__ == '__main__':
    agent = workflow.compile()
    # display(Image(agent.get_graph().draw_mermaid_png()))
    for chunk in agent.stream(
        {"messages": [("user", "What is the temperature in New York today?")]},
        stream_mode="values",):
        chunk["messages"][-1].pretty_print()

执行输出如下：

================================ Human Message =================================

What is the temperature in New York today?
================================== Ai Message ==================================
Tool Calls:
  get_weather (call_BP)
 Call ID: call_BP
  Args:
    query: New York
================================= Tool Message =================================
Name: get_weather

{"request": {"type": "City", "query": "New York, United States of America", "language": "en", "unit": "m"}, "location": {"name": "New York", "country": "United States of America", "region": "New York", "lat": "40.714", "lon": "-74.006", "timezone_id": "America/New_York", "localtime": "2025-03-20 07:45", "localtime_epoch": 1742456700, "utc_offset": "-4.0"}, "current": {"observation_time": "11:45 AM", "temperature": 6, "weather_code": 143, "weather_icons": ["https://cdn.wmist.png"], "weather_descriptions": ["Mist"], "astro": {"sunrise": "06:59 AM", "sunset": "07:09 PM", "moonrise": "12:48 AM", "moonset": "09:44 AM", "moon_phase": "Waning Gibbous", "moon_illumination": 73}, "air_quality": {"co": "358.9", "no2": "49.21", "o3": "47", "so2": "7.77", "pm2_5": "12.025", "pm10": "13.69", "us-epa-index": "1", "gb-defra-index": "1"}, "wind_speed": 15, "wind_degree": 142, "wind_dir": "SE", "pressure": 1014, "precip": 0, "humidity": 89, "cloudcover": 100, "feelslike": 3, "uv_index": 0, "visibility": 6, "is_day": "yes"}}
================================== Ai Message ==================================

The current temperature in New York is 6°C. The weather is described as misty.

---

总结

目前大模型agent特别火，agent框架也特别多，比如langchain、openai agent、autoGen等等，从这些不同的框架中，可以学习它们的构建思路，来完善自己的agent。

参考