PythonAI算法
LangGraph 在 LangChain 中的应用：图论驱动的多 Agent 协作
LangGraph 基于图论为 LangChain 提供了精细控制能力，解决了传统 AgentExecutor 黑盒和死循环问题。通过 StateGraph、Node 和 Edge 构建状态机，支持循环调用和多 Agent 协作。本文介绍了核心概念、构建步骤及简单聊天机器人示例，并对比了 AutoGen，阐述了 LangGraph 在多智能体框架中的优势与发展前景。
LangGraph 基于图论为 LangChain 提供了精细控制能力，解决了传统 AgentExecutor 黑盒和死循环问题。通过 StateGraph、Node 和 Edge 构建状态机，支持循环调用和多 Agent 协作。本文介绍了核心概念、构建步骤及简单聊天机器人示例，并对比了 AutoGen，阐述了 LangGraph 在多智能体框架中的优势与发展前景。
在 LangChain 框架中，智能体（Agent）从数据结构的角度来看等同于一个有向无环图。这意味着传统的 Chain 在推理过程中无法被循环调用。尽管 AgentExecutor（代理执行器）支持循环机制，但它缺乏精确的控制能力，时常导致失控并陷入死循环。
使用代理执行器实现循环调用大语言模型（LLM）的能力，其调用过程主要有两步：
AgentExecutor 存在的问题是决策过程隐藏在背后，过于黑盒，缺乏更精细的控制能力，这在构建复杂的 Agent 时受到限制：
在 LangChain 中，简单的链不具备循环能力，而 AgentExecutor 调用 Agent 又过于黑盒，因此需要一个具备更精细控制能力的框架来支持复杂场景的 LLM 应用。LangGraph 的出现标志着 LangChain 进入多智能体框架领域。LangGraph 基于图论运作，提供了一种状态机技术，可驱动循环代理调用，实现有向有环图。因此，LangGraph 有三个关键元素：
这是 LangChain 的一个类，表示图的数据结构并反映其状态。节点会更新图的状态。
图中关键元素之一。每个 LangGraph 节点都有一个名称值，可以是 LangChain 表达式中的函数或者可运行项（Runnable）。每个节点接收一个字典类型的数据，返回具有相同结构的更新状态。有一个名为 END 的特殊节点，用于识别状态机的结束状态。
边维系节点之间的关系，分为三种类型：开始边（没有上游节点）、普通边和条件边。
类似于状态机（State Machine），由一组状态（State）和状态之间的转换（Transition）组成，用于表示系统在不同状态之间的转换和响应事件的行为。
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
class State(TypedDict):
# Messages have the type "list". The `add_messages` function
# in the annotation defines how this state key should be updated
# (in this case, it appends messages to the list, rather than overwriting them)
messages: Annotated[list, add_messages]
graph_builder = StateGraph(State)
这个状态定义了随时间更新的核心状态对象，它接收一些操作以及属性定义，会被节点更新；会在每一个 Node 之间传递不同的状态信息。然后每一个节点会根据自己定义的逻辑去更新这个状态信息。
Node 可以是一个 LangChain 的 Runnable 或者是一个可执行的函数，也可以是一个 Graph。构建完成的 Graph 也是一个 LangChain 的 Runnable，这也正是 LangGraph 作为 LangChain 的扩展可以与 LangChain 完美衔接的关键。
添加节点直接使用 Graph 实例中的 add_node 方法添加即可，当然这个节点应当有一个名字：
graph_builder.add_node("node", node)
这里的 node 就是 LangChain 的 Runnable 对象或者可执行函数，具体在开发中定义。
边（Edge）描述的是节点与节点之间的关系，可以是普通的或者是有条件的。它们都有方向，Edge 描述的上游节点与下游节点的关系（开始边除外）。
Edge 的实现由 Graph 实例中的 add_edge 方法添加，同样这个边也有一个名字，这个名字就是节点的名字，代表的是上游节点：
graph_builder.add_edge("node", next_node)
next_node 就是 node 节点的下游节点。
条件边的实现由 Graph 实例中的 add_conditional_edge 进行添加：
graph.add_conditional_edge(
"node",
should_continue,
{
"end": END,
"continue": "next_node"
}
)
should_continue 就是条件边三个组成元素的路由函数了，用于确定下一个的可调用对象是一个或多个节点。
到现在就完成一个图所需要的基本条件了，这也是一个最简单的 LangGraph 例子。编译图也是由 Graph 实例对象的方法实现：
graph = graph_builder.compile()
编译之后的 graph 是一个 LangChain 的 Runnable 对象，同样具有 .invoke() 和 .stream() 方法，也具备成为一个节点的能力。
以下是一个完整的示例，展示了如何配置环境变量、定义状态、构建节点以及运行循环对话：
import os
from dotenv import find_dotenv, load_dotenv
load_dotenv(find_dotenv())
# 确保已设置 OPENAI_API_BASE 和 OPENAI_API_KEY
OPENAI_API_BASE = os.environ.get('OPENAI_API_BASE')
OPENAI_API_KEY = os.environ.get('OPENAI_API_KEY')
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, END
from langgraph.graph.message import add_messages
from langchain_openai import ChatOpenAI
class State(TypedDict):
messages: Annotated[list, add_messages]
# 初始化 LLM
llm = ChatOpenAI(model="gpt-3.5-turbo")
def chatbot(state: State):
# 调用 LLM 生成回复
response = llm.invoke(state["messages"])
return {"messages": [response]}
# 构建图
graph_builder = StateGraph(State)
graph_builder.add_node("chatbot", chatbot)
# 设置入口点和结束点
graph_builder.set_entry_point("chatbot")
graph_builder.set_finish_point("chatbot")
# 编译图
graph = graph_builder.compile()
# 运行对话循环
while True:
user_input = input("User: ")
if user_input.lower() in ["quit", "exit", "q"]:
()
event graph.stream({: [(, user_input)]}):
value event.values():
(, value[][-].content)
想要让单个 Agent 干很多活儿，就必须有极强的推理能力以及定义好工具之间的关系，和精确到控制能力。而单个 Agent 的执行过程过于黑盒等问题导致单个 Agent 很难集多种本领于一身，同时 LangChain 本身没有一个能直接实现多 Agent 协作的方法或技巧。LangGraph 作为 LangChain 的扩展就可以实现多 Agent（Multi-agent）。
当然，单个 Agent 有单个的好处，分开也有分开的优势：
AutoGen 中的多 Agent 是基于会话实现的，有三个 Agent 角色，构建过程要比 LangGraph 简单。与 LangGraph 不同，LangGraph 具有更清晰的逻辑条理，更适合需要严格状态管理和流程控制的复杂业务场景。
当前的 LangGraph 还处在一个初期发展的阶段，在 LangChain 的 0.2.x 版本迭代中，Agent 应该会占据一个重要地位。相信在未来的 LangGraph 构建会更容易，文档和社区支持也会更加完善。
在使用 LangGraph 构建复杂应用时，建议遵循以下最佳实践：
graph.get_graph().draw_mermaid_png()）来检查图的结构，确保节点连接符合预期。通过合理运用 LangGraph 的状态机和图结构，开发者可以构建出既灵活又可控的智能体系统，为复杂的 AI 应用场景提供坚实的基础。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online