LangGraph和Agents应用程序

什么是LangGraph？

LangGraph使我们能够尽可能轻松地创建具有状态的多角色应用程序，利用LargeLanguageModels（LLMs）。它扩展了LangChain的功能，引入了创建和管理循环图的能力。

当我们深入了解代理系统时，langGraph 的范围被充分利用。代理系统利用LLMs来管理应用程序的控制流。其关键功能是路由决策，工具选择和评估输出的充分性。这种代理系统采用代理循环机制，其中存在一个持续的决策过程，让代理人能够解决复杂任务。代理循环的简要回顾如下。

一个实际的用例可以用于客户支持代理的发展。

场景：一个由LLM提供支持的客户服务代理。

用户输入：顾客询问订单状态。

LLM决定：确定它是否可以直接提供状态，或者是否需要从数据库中获取数据。

采取的行动：如果需要获取数据，代理会查询数据库并向用户更新订单状态。

LLM代理的优势是:

代理商通过确定应采取的最佳行动来适应各种任务，提供了灵活性。
LLM代理商擅长使用工具执行专业任务。
LLM代理提供多代理协作，并能够执行或完成复杂任务。

主动型系统的关键组成部分:

所有这些关键组件的功能就像一个工作流程或模式，我们将所有这些组件建模成一个图形。因此，由代理构建的工作流通常被结构化为图形。

因此，LangGraph旨在构建具有一些核心原则的机构应用程序。

提供低级控制，增加在代理系统中的可靠性。
内置持久层增强人类与代理之间的交互模式。
支持事件和令牌的流媒体，为用户提供实时反馈。

LangGraph的基本组件是:

节点：Python函数，实现代理人的逻辑，将当前状态作为输入并返回一个更新后的状态。
边缘/条件边缘: 实现固定/条件转换的功能，以便根据当前状态确定要执行的下一个节点。

LangGraph 中的图表受... 的驱动:

状态：随着节点执行并沿边传递消息，共享数据结构会随时间演变。
消息传递：节点发送消息以激活其他节点，在离散迭代或“超级步骤”中促进工作流的执行。

现在让我们使用下面的代码进行应用程序部分。

导入语句：

from langgraph.graph import StateGraph, MessagesState, START, END
from pydantic import BaseModel
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import ToolNode
from langchain_community.tools import TavilySearchResults
from IPython.display import Image
from dotenv import load_dotenv

导入构建基于LangGraph和LangChain的图形代理所需的必要库和模块。

StateGraph, MessageState, START, 和 END 是 LangGraph 中用来定义对话状态和流程的类和常量。
ChatOpenAI 是用于生成回复的LLM。
ToolNode是一个预定义的LangGraph节点，可用于调用外部工具。
TavilySearchResults 是一个用于执行搜索和检索结果的工具。
Ipython.display通过使用Image和Markdown类帮助可视化图表。
load_dotenv 从 .env 文件中加载环境变量。

2. 创建一个语言模型实例：

llm = ChatOpenAI(model='gpt-4o-mini', temperature=0)

3. 为图表定义条件逻辑:

def should_continue(state: MessagesState) -> bool:
    messages = state['messages']
    last_message = messages[-1]
    if last_message.tool_calls:
        return 'tools'
    else:
        return END

检查代理是否应继续移动到另一个节点，根据最后一条消息是否包含工具调用。

如果调用一个工具，则图形移动到工具节点。
如果不是，则转移到“END”节点，表示互动结束。

4. 调用LLM:

def call_model(state: MessagesState):
    messages  = state['messages']
    response = llm.invoke(messages)
    
    return {'messages': messages + [response]}

调用LLM根据状态中的消息生成响应。

获取当前状态的消息，调用LLM，并返回添加了生成响应的更新状态。

5. 创建状态图：

graph = StateGraph(MessagesState)

初始化一个有状态的图，该图使用MessageState来跟踪用户和代理之间交换的消息。
Explanation: StateGraph 根据定义的逻辑管理节点和状态转换。

6. 向图中添加节点：

graph.add_node('agent', call_model)

search_tool = TavilySearchResults(max_results=5)
tools = [search_tool]
tool_node = ToolNode(tools)

graph.add_node('tools', tool_node)

在图中添加一个代理节点，该节点调用LLM生成回复。
定义一个搜索工具，从搜索引擎检索最多5个结果。
将工具包装在一个ToolNode内，并将其添加到图形中作为工具节点。

7. 定义图的边缘和条件过渡:

graph.add_edge(START, "agent")
graph.add_conditional_edges('agent', should_continue)
graph.add_edge('tools', 'agent')

定义图表中的对话流程。

开始 ➔ 代理: 对话始终从代理节点开始。
代理 ➔ 应继续: 在代理节点之后，使用 should_continue 检查是否要过渡到工具或结束。
工具 ➔ 代理：如果工具节点被激活，则在工具操作完成后，图形转换回代理。

8. 编译和可视化图表：

graph_compiled = graph.compile()
Image(graph_compiled.get_graph().draw_mermaid_png())

编译图表并使用mermaid.js生成可视化表示。Image函数显示可视化的图表。
Explanation: 通过视觉帮助理解节点之间对话的流程。

9. 运行带初始输入的图表:

output = graph_compiled.invoke({'messages': [
    ('user', 'Write a simple report on how to use Generative AI in Healthcare Sector.')
]})

调用图表，使用用户初始输入要求在医疗保健领域生成AI报告。
说明：图表从这个输入开始，并遵循定义的节点和逻辑，以生成完整的响应。

10. 显示最终输出:

from IPython.display import Markdown
Markdown(output['messages'][-1].content)

结论:

这段代码构建了一个有状态的图形，用于管理用户和聊天机器人之间的对话流程。它使用LangGraph来定义图形结构，使用LangChain来集成LLMs和外部工具。核心逻辑涉及根据条件（是否调用了工具）在节点（代理和工具）之间进行转换，使其成为复杂的、分步的对话人工智能应用程序的强大框架。整个工作流程被可视化，最终通过一个测试查询被调用，展示了响应生成过程。