LangGraph 是一个基于图的库，用于构建具有大型语言模型（LLM）的有状态、多角色应用程序，特别适用于创建代理和多代理工作流。它通过引入循环、可控性和持久性等核心优势，超越了传统的 LLM 框架。LangGraph 允许开发者定义包含循环的流程，提供对应用程序流程和状态的精细控制，并内置持久性以实现高级“人机交互”和记忆功能。通过与 LangChain 的集成，LangGraph 简化了复杂任务的处理，为开发者提供了构建更强大、更灵活的 LLM 应用的工具。

💡 LangGraph 核心功能之一是**循环与分支**，它允许在应用程序中实现循环和条件语句，从而支持更复杂的任务处理和决策。

💾 **持久性**是 LangGraph 的另一大亮点，它能够在图的每个步骤之后自动保存状态，方便暂停、恢复图执行，支持错误恢复、人机交互等高级功能。

🗣️ **人机交互**功能允许在图的执行过程中中断，以便批准或编辑代理的下一个动作，实现更灵活的交互流程。

⚡ LangGraph 还支持**流式传输**，可以在每个节点产生输出时实时流式传输输出，包括令牌流式传输，提高用户体验。

🛠️ LangGraph 与 LangChain 和 LangSmith 无缝集成，但并非必需。LangGraph 与 LangChain 工具结合使用，可以调用 OpenAI 的工具，例如搜索工具等，从而实现更强大的功能。

LangGraph原理

🦜🕸️LangGraph ⚡ 以图的方式构建语言代理 ⚡

官方文档地址：langchain-ai.github.io/langgraph/

LangGraph 是一个用于构建具有 LLMs 的有状态、多角色应用程序的库，用于创建代理和多代理工作流。与其他 LLM 框架相比，它提供了以下核心优势：循环、可控性和持久性。

LangGraph 允许您定义涉及循环的流程，这对于大多数代理架构至关重要。作为一种非常底层的框架，它提供了对应用程序的流程和状态的精细控制，这对创建可靠的代理至关重要。此外，LangGraph 包含内置的持久性，可以实现高级的“人机交互”和内存功能。

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主要功能

循环和分支：在您的应用程序中实现循环和条件语句。持久性：在图中的每个步骤之后自动保存状态。在任何时候暂停和恢复图执行以支持错误恢复、“人机交互”工作流、时间旅行等等。“人机交互” ：中断图执行以批准或编辑代理计划的下一个动作。流支持：在每个节点产生输出时流式传输输出（包括令牌流式传输）。与 LangChain 集成：LangGraph 与 LangChain 和 LangSmith 无缝集成（但不需要它们）。

langgraph代码初认识

安装langgraph库

pip install -U langgraph

示例代码

LangGraph 的一个核心概念是状态。每次图执行都会创建一个状态，该状态在图中的节点执行时传递，每个节点在执行后使用其返回值更新此内部状态。图更新其内部状态的方式由所选图类型或自定义函数定义。

让我们看一个可以使用搜索工具的简单代理示例。

pip install langchain-openai

setx OPENAI_BASE_URL "https://api.openai.com/v1"setx OPENAI_API_KEY "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

可以选择设置 LangSmith 以实现最佳的可观察性。

setx LANGSMITH_TRACING "true"setx LANGSMITH_API_KEY "xxxxxxxxxxxxxxxx"

#示例：langgraph_hello.pyfrom typing import Literalfrom langchain_core.messages import HumanMessagefrom langchain_core.tools import toolfrom langchain_openai import ChatOpenAI# pip install langgraphfrom langgraph.checkpoint.memory import MemorySaverfrom langgraph.graph import END, StateGraph, MessagesStatefrom langgraph.prebuilt import ToolNode# 定义工具函数，用于代理调用外部工具@tooldef search(query: str):    """模拟一个搜索工具"""    if "上海" in query.lower() or "Shanghai" in query.lower():        return "现在30度，有雾."    return "现在是35度，阳光明媚。"# 将工具函数放入工具列表tools = [search]# 创建工具节点tool_node = ToolNode(tools)# 1.初始化模型和工具，定义并绑定工具到模型model = ChatOpenAI(model="gpt-4o", temperature=0).bind_tools(tools)# 定义函数，决定是否继续执行def should_continue(state: MessagesState) -> Literal["tools", END]:    messages = state['messages']    last_message = messages[-1]    # 如果LLM调用了工具，则转到“tools”节点    if last_message.tool_calls:        return "tools"    # 否则，停止（回复用户）    return END# 定义调用模型的函数def call_model(state: MessagesState):    messages = state['messages']    response = model.invoke(messages)    # 返回列表，因为这将被添加到现有列表中    return {"messages": [response]}# 2.用状态初始化图，定义一个新的状态图workflow = StateGraph(MessagesState)# 3.定义图节点，定义我们将循环的两个节点workflow.add_node("agent", call_model)workflow.add_node("tools", tool_node)# 4.定义入口点和图边# 设置入口点为“agent”# 这意味着这是第一个被调用的节点workflow.set_entry_point("agent")# 添加条件边workflow.add_conditional_edges(    # 首先，定义起始节点。我们使用`agent`。    # 这意味着这些边是在调用`agent`节点后采取的。    "agent",    # 接下来，传递决定下一个调用节点的函数。    should_continue,)# 添加从`tools`到`agent`的普通边。# 这意味着在调用`tools`后，接下来调用`agent`节点。workflow.add_edge("tools", 'agent')# 初始化内存以在图运行之间持久化状态checkpointer = MemorySaver()# 5.编译图# 这将其编译成一个LangChain可运行对象，# 这意味着你可以像使用其他可运行对象一样使用它。# 注意，我们（可选地）在编译图时传递内存app = workflow.compile(checkpointer=checkpointer)# 6.执行图，使用可运行对象final_state = app.invoke(    {"messages": [HumanMessage(content="上海的天气怎么样?")]},    config={"configurable": {"thread_id": 42}})# 从 final_state 中获取最后一条消息的内容result = final_state["messages"][-1].contentprint(result)final_state = app.invoke(    {"messages": [HumanMessage(content="我问的那个城市?")]},    config={"configurable": {"thread_id": 42}})result = final_state["messages"][-1].contentprint(result)

上海现在的天气是30度，有雾。

现在，当我们传递相同的 "thread_id" 时，对话上下文将通过保存的状态（即存储的消息列表）保留下来。

final_state = app.invoke(    {"messages": [HumanMessage(content="我问的那个城市?")]},    config={"configurable": {"thread_id": 42}})result = final_state["messages"][-1].contentprint(result)

你问的是上海的天气。上海现在的天气是30度，有雾。

代码逐步分解

初始化模型和工具

我们使用 ChatOpenAI 作为我们的 LLM。**注意：**我们需要确保模型知道可以使用哪些工具。我们可以通过将 LangChain 工具转换为 OpenAI 工具调用格式来完成此操作，方法是使用 .bind_tools() 方法。 我们定义要使用的工具——在本例中是搜索工具。创建自己的工具非常容易——请参阅此处的文档了解如何操作 此处。

用状态初始化图

我们通过传递状态模式（在本例中为 MessagesState ）来初始化图（ StateGraph ）。 MessagesState 是一个预构建的状态模式，它具有一个属性，一个 LangChain Message 对象列表，以及将每个节点的更新合并到状态中的逻辑。

定义图节点

我们需要两个主要节点

agent 节点：负责决定采取什么（如果有）行动。 调用工具的 tools 节点：如果代理决定采取行动，此节点将执行该行动。

定义入口点和图边

首先，我们需要设置图执行的入口点——agent 节点。

然后，我们定义一个普通边和一个条件边。条件边意味着目的地取决于图状态（MessageState）的内容。在本例中，目的地在代理（LLM）决定之前是未知的。

条件边：调用代理后，我们应该要么 普通边：调用工具后，图应该始终返回到代理以决定下一步操作。

编译图

当我们编译图时，我们将其转换为 LangChain Runnable，这会自动启用使用您的输入调用 .invoke() 、 .stream() 和 .batch() 。 我们还可以选择传递检查点对象以在图运行之间持久化状态，并启用内存、“人机交互”工作流、时间旅行等等。在本例中，我们使用 MemorySaver——一个简单的内存中检查点。

执行图

LangGraph 将输入消息添加到内部状态，然后将状态传递给入口点节点 "agent" 。 "agent" 节点执行，调用聊天模型。 聊天模型返回 AIMessage 。LangGraph 将其添加到状态中。 图循环以下步骤，直到 AIMessage 上不再有 tool_calls 。 执行进度到特殊的 END 值，并输出最终状态。因此，我们得到所有聊天消息的列表作为输出。