用LangGraph搭建智能体—AI Agents in LangGraph（二）

最新推荐文章于 2025-05-16 09:44:38 发布

l8947943

最新推荐文章于 2025-05-16 09:44:38 发布

阅读量1k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： AIGC 文章标签：人工智能代理 LLMAgent

本文链接：https://blog.csdn.net/l8947943/article/details/140592234

1. 学习背景

接上一篇传送门，介绍了AI Agent的基本工作原理。本节学习LangGraph的部分组件。

学习地址：传送门

代码地址：传送门

2. 开始上手

2.1 基本知识

上节学习，是从头开始构建了一个代理。如图：
在这里插入图片描述
这一次实践，则是使用LangGraph实现代理，顺便学习组件和特性。LangGraph主要做的事情则是帮助描述和编排控制流。也就是说，允许创建循环图，自带持久化可以不丢失上下文信息。

LangGraph的三个核心概念是：节点、边、和条件边，如图所示：
在这里插入图片描述
节点是代理或者函数，边链接这些点，在做决定时，确定下一步路径，去哪个节点。形象化如下图所示：

2.2 代码实践，导入基本包

# 导入基本的环境读取包
from dotenv import load_dotenv
_ = load_dotenv()

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator
from langchain_core.messages import AnyMessage, SystemMessage, HumanMessage, ToolMessage
from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults

# 导入基本工具，Tavily是一款在线搜索工具，每月有1000次API免费调用机会，需自行注册
tool = TavilySearchResults(max_results=4) #increased number of results
print(type(tool))
print(tool.name)

输出如下：

<class 'langchain_community.tools.tavily_search.tool.TavilySearchResults'>
tavily_search_results_json

2.3 尝试编写Agent

如果用户不熟悉python中的typing 注解，可以参考如下链接：Support for type hints

# 定义AgentState类，messages变量接受列表类型的变量，内容为AnyMessage类型数据
# operator.add意味着会将新的更新推送到messages其中
class AgentState(TypedDict):
    messages: Annotated[list[AnyMessage], operator.add]

# 整个过程，Agent的状态非常重要，是衡量是否执行结束的判断标志
class Agent:

    def __init__(self, model, tools, system=""):
        self.system = system
        graph = StateGraph(AgentState)
        graph.add_node("llm", self.call_openai) # 构建节点
        graph.add_node("action", self.take_action) # 如果有存在action，则执行
        graph