探索LangGraph：开启AI Agent构建的新路径

发布日期：2024-11-30 08:16:21 浏览次数： 3190

作者：大模型之路

微信搜一搜，关注“大模型之路”

在当今快速发展的AI领域，构建Agent（哪款Multi-Agent框架更胜一筹？深入剖析五大热门选项）已成为实现自动化和决策优化的重要手段。LangGraph作为一种强大的工具，通过图结构的方法，为开发者提供了一种直观且高效的方式来构建AI Agent。今天我们一起了解一下如何使用LangGraph构建AI Agent。

一、LangGraph 基础概念

（一）图的基本组件

节点（Nodes）

节点在 LangGraph 中是用 Python 函数来表示的。这些函数具有特定的要求，必须接受第一个参数，该参数即为图的状态（State）。节点通过这个状态参数来获取图中正在发生的事情的信息，并且能够更新和写入状态。例如，在一个处理文本信息的 AI Agent中，节点函数可能会根据当前的状态（如已处理的文本部分）来决定下一步的操作，并更新状态以反映处理进度。
节点默认会覆盖前一状态的值，这意味着每个节点的操作都会对图的状态产生影响，从而实现信息在节点间的传递和处理流程的推进。

边（Edges）
边可以被视为连接两个端点的元素，在 LangGraph 中，端点就是节点。边的主要作用是建立节点之间的连接关系，使得数据和控制流能够在节点之间传递。
边有两种类型：

普通边（Normal Edge）：在图每次运行时都会被遍历，没有特定的条件限制。它确保了图中节点之间的基本连接和信息流动，是构建图结构的基础。
条件边（Conditional Edge）：只有在满足给定条件时才会被遍历。通过使用条件边，可以根据节点的输出或图的状态来动态决定下一步访问的节点。例如，在一个决策树状的 AI Agent结构中，根据不同的输入条件，通过条件边选择不同的分支节点进行处理。

状态（State）

状态是 LangGraph 中图的重要组成部分，它用于跟踪图中发生的事情。状态本质上是一个对象，在不同的节点和边之间传递，包含了用于节点和边之间通信的信息，是所有节点和边的输入模式。
例如，在一个多步骤的 AI 任务中，状态可能包含了任务的当前进度、已处理的数据、待处理的数据等信息。每个节点根据状态信息进行操作，并更新状态，以便后续节点能够基于最新的情况做出决策。

（二）孤立节点（Orphan or Isolated Nodes）

在图论中，孤立节点是指没有边与图中其他节点相连的节点，其度为 0。在 LangGraph 构建的图中，孤立节点可能会导致图的结构不完整或出现意外的行为，因此在构建和检查图时需要注意避免孤立节点的存在。

二、构建简单图的步骤

（一）构建图节点

节点函数的定义

首先要确定图在 AI Agent系统中需要完成的功能，然后将这些功能转换为 Python 函数，这些函数就成为了图的节点。例如，假设我们要构建一个简单的文本处理 AI Agent，可能需要定义节点来读取文本、进行文本清洗、提取关键信息等。

以下是一个简单的示例，定义了三个节点函数：

def node_01(state: State):print(f"node_01: {state['graph_msg']}")# 覆盖状态中的graph_msgreturn {"graph_msg": state["graph_msg"] + "node_01"}
def node_02(state: State):print(f"node_02: {state['graph_msg']}")return {"graph_msg": state["graph_msg"] + "node_02"}
def node_03(state: State):print(f"node_03: {state['graph_msg']}")return {"graph_msg": state["graph_msg"] + "node_03"}

每个节点函数都接受状态作为参数，并可以根据需要对状态进行操作和更新，如在上述示例中，节点函数在打印当前状态中的消息后，将节点名称添加到消息中并返回更新后的状态。

（二）构建图状态

使用 TypedDict 定义状态类

在 LangGraph 中，可以使用多种方式构建状态对象，为了简单起见，本文使用 TypedDict 来定义状态类。例如，我们定义一个包含graph_msg字符串变量的状态类，用于存储图的消息：

from typing import TypedDict
class State(TypedDict):graph_msg: str

这个状态类将在整个图的构建和运行过程中用于传递和更新信息，不同的节点可以根据需要修改graph_msg的值，从而实现信息在节点间的传递和累积。

（三）创建实际的图

1、导入必要的类和模块

首先需要从 Langchain 中导入StateGraph、END和START等类，这些类将用于构建和定义图的结构和行为。

from langgraph.graph import StateGraph, END, START

2、定义图并添加节点

使用StateGraph类来定义图，并将之前定义的状态类作为参数传递给它。然后，将所有的节点添加到图中。

# 定义图及其状态builder = StateGraph(State)# 添加所有节点builder.add_node("node_01", node_01)builder.add_node("node_02", node_02)builder.add_node("node_03", node_03)

START节点是一个特殊节点，用于将输入（状态）发送到图中以初始化图代理，它表示执行的起点；END节点则表示图的终止点。

（四）添加边

连接节点与边

在添加完节点后，需要使用add_edge和add_conditional_edges方法来添加边。例如：

# 连接图节点和边builder.add_edge(START, "node_01")# 普通边builder.add_conditional_edges("node_01", select_next_node)# 条件边builder.add_edge("node_02", END)# 普通边builder.add_edge("node_03", END)# 普通边

这里add_edge方法用于添加普通边，add_conditional_edges方法用于添加条件边，其中select_next_node是一个用于确定下一个节点的函数（根据具体的条件逻辑来实现）。

（五）编译图

检查图的结构完整性

一旦完成了图的节点和边的设置，就可以编译图。编译图的过程会执行一些操作，如检查是否存在孤立节点以及对图的结构进行其他基本检查，以确保图的正确性和有效性。

graph = builder.compile()

（六）图的可视化（可选）

在 Python Notebook 中可视化图

如果在 Python Notebook 环境中运行代码，可以使用以下方式可视化构建的图：

from IPython.display import Image, display# 可视化图display(Image(graph.get_graph().draw_mermaid_png()))

这将以图形化的方式展示图的结构，包括节点、边（普通边为实线，条件边为虚线）等信息，有助于直观地理解图的逻辑和流程。

（七）图的调用

传递初始状态并运行图

当图编译完成后，就可以进行调用。调用图时需要传递初始状态，图中的每个节点会接收当前状态并进行处理，执行会持续到到达END节点。

graph.invoke({"graph_msg": "Hello, "})

这里传入了一个包含初始消息"Hello, "的状态字典，图会根据定义的节点和边的逻辑进行处理，每个节点对状态进行操作和更新，最终返回经过所有节点处理后的状态。

三、优势

（一）使用 LangGraph 构建 AI Agent的优势

1、灵活性和可扩展性

LangGraph 允许开发者根据具体需求灵活地定义节点和边的功能，能够轻松地添加、删除或修改图的组件，以适应不同的应用场景和业务需求。无论是构建简单的文本处理任务还是复杂的智能决策系统，都可以通过逐步扩展图的结构来实现。

2、可视化与可理解性

借助可视化工具（如在 Python Notebook 中可视化图），开发者可以直观地看到图的结构，包括节点之间的连接关系和数据流向。这有助于理解 AI Agent的工作流程，方便进行调试和优化。对于团队协作开发也非常有利，不同成员可以通过可视化的图快速理解系统的架构和逻辑。

3、与 LangChain 生态系统集成

LangGraph 是 LangChain 生态系统的一部分，它可以与 LangChain中的其他组件（如各种语言模型、工具链等）无缝集成。这使得开发者可以利用 LangChain 丰富的资源和功能，如调用强大的预训练语言模型进行自然语言处理任务，结合外部工具（如数据库查询、API 调用等）来增强 AI Agent的能力。

使用 LangGraph 构建 AI Agent（Smyth OS：开启个人 AI Agent的无代码革命时代）为我们提供了一种强大而灵活的方式来开发智能系统。通过深入理解节点、边、状态和孤儿节点等概念，以及掌握创建图、添加节点和边、编译图、可视化图和调用图等步骤，我们可以构建出功能强大且灵活的AI Agent。希望对大家有所帮助