LangGraph 进阶：构建 ReACT 架构智能 Agent

class GoogleSerperArgsSchema(BaseModel):
    query: str = Field(description="执行谷歌搜索的查询语句")

class DallEArgsSchema(BaseModel):
    query: str = Field(description="输入应该是生成图像的文本提示(prompt)")

google_serper = GoogleSerperRun(
    name="google_serper",
    description=(
        "一个低成本的谷歌搜索 API。"
        "当你需要回答有关时事的问题时，可以调用该工具。"
        "该工具的输入是搜索查询语句。"
    ),
    args_schema=GoogleSerperArgsSchema,
    api_wrapper=GoogleSerperAPIWrapper(),
)

dalle = OpenAIDALLEImageGenerationTool(
    name="openai_dalle",
    api_wrapper=DallEAPIWrapper(model="dall-e-3"),
    args_schema=DallEArgsSchema,
)

tools = [google_serper, dalle]

3. 创建语言模型

我们使用 OpenAI 的 GPT-4o-mini 模型作为我们的大语言模型。温度设置为 0 以确保输出的稳定性。

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

4. 使用预构建函数创建 ReACT 智能体

LangGraph 提供了预构建的函数来创建 ReACT 智能体，使用起来非常简单。这大大降低了开发门槛。

agent = create_react_agent(
    model=model,
    tools=tools
)

5. 调用智能体并输出内容

最后，我们可以调用我们创建的智能体，并打印输出结果。这里测试了一个多模态任务：绘制图片。

print(agent.invoke({"messages": [("human", "帮我绘制一幅鲨鱼在天上飞的图片")] }))

运行结果分析

当我们运行这段代码时，智能体会首先理解任务需求，然后决定使用 DALL-E 工具来生成图像。它会生成一个详细的图像描述，然后调用 DALL-E API 来创建图像。最后，它会返回生成的图像 URL，并提供一个简短的描述。

输出内容可能如下所示：

{
  'messages': [
    HumanMessage(content='帮我绘制一幅鲨鱼在天上飞的图片'), 
    AIMessage(content='', additional_kwargs={'tool_calls': [...]}), 
    ToolMessage(content='https://dalleproduse.blob.core.windows.net/...'), 
    AIMessage(content='这是您请求的画面：一只鲨鱼在天上飞翔的图片。您可以点击下面的链接查看这幅图。\n\n![鲨鱼在天上飞](https://dalleproduse.blob.core.windows.net/...)')
  ]
}

总结与最佳实践

通过这个例子，我们可以看到 LangGraph 如何简化了 ReACT 架构智能 Agent 的构建过程。它提供了高级抽象和预构建组件，使得我们可以快速实现复杂的 AI 工作流。同时，LangGraph 的灵活性也允许我们根据需要自定义和扩展 Agent 的功能。

注意事项

1. 版本兼容性：LangGraph 仍在快速发展中。当前版本的预构建 ReACT 智能体是基于函数调用实现的，未来版本可能会有 API 变更。建议关注官方文档和更新日志。
2. 环境变量管理：生产环境中应妥善管理 API Key，避免硬编码在代码中。使用 .env 文件配合 python-dotenv 是推荐做法。
3. 错误处理：在实际应用中，建议增加异常捕获机制，特别是针对网络请求和第三方 API 调用的超时或失败情况。
4. 成本优化：注意控制 Token 消耗，合理选择模型大小（如 gpt-4o-mini vs gpt-4），并在必要时对上下文进行压缩。

尽管如此，LangGraph 的核心设计理念和封装思路仍然非常值得学习和借鉴。随着 AI 技术的不断进步，我们可以期待 LangGraph 在未来会提供更多强大和易用的功能，进一步简化智能 Agent 的开发过程。