AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


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: 1559 来源: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

  1. 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

    1. 节点函数的定义

    2. 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


53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询