在 LangGraph 中使用工具（Tools）以及 ReAct 代理（ReAct Agent）创建一个基于 ReAct 机制的智能代理（Agent），代码版

最新推荐文章于 2025-05-16 15:41:52 发布

背太阳的牧羊人

最新推荐文章于 2025-05-16 15:41:52 发布

阅读量972

点赞数 12

CC 4.0 BY-SA版权

分类专栏： langgraph 文章标签： langchain langgraph tool agent

本文链接：https://blog.csdn.net/u013565133/article/details/146069999

langgraph 专栏收录该内容

23 篇文章

订阅专栏

在 LangGraph 中使用工具（Tools）以及 ReAct 代理（ReAct Agent）创建一个基于 ReAct 机制的智能代理（Agent），理论版

示例代码：

from typing import List
from langchain_core.tools import tool
from langchain_core.runnables.config import RunnableConfig


import os
from dotenv import load_dotenv
import yaml
from pyprojroot import here
from langchain_openai import ChatOpenAI
load_dotenv()

os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_API_BASE'] = os.getenv("OPENAI_API_BASE")
OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")
OPENAI_API_BASE= os.environ.get("OPENAI_API_BASE")
from langchain_openai import ChatOpenAI

chat = ChatOpenAI(
    openai_api_base=OPENAI_API_BASE,
    openai_api_key=OPENAI_API_KEY,
    # tream=True,
    temperature=0)

messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Hello, how are you?"}
]

# Call the model with the messages
response = chat.invoke(messages)

# Print the response
print(response)
print('\n')
print(response.content)


from typing import List

from langchain_core.tools import tool
from langchain_core.runnables.config import RunnableConfig

from langgraph.prebuilt import ToolNode

user_to_pets = {}


@tool(parse_docstring=True)
def update_favorite_pets(
    # NOTE: config arg does not need to be added to docstring, as we don't want it to be included in the function signature attached to the LLM
    pets: List[str],
    config: RunnableConfig,
) -> None:
    """Add the list of favorite pets.

    Args:
        pets: List of favorite pets to set.
    """
    user_id = config.get("configurable", {}).get("user_id")
    user_to_pets[user_id] = pets


@tool
def delete_favorite_pets(config: RunnableConfig) -> None:
    """Delete the list of favorite pets."""
    user_id = config.get("configurable", {}).get("user_id")
    if user_id in user_to_pets:
        del user_to_pets[user_id]


@tool
def list_favorite_pets(config: RunnableConfig) -> None:
    """List favorite pets if asked to."""
    user_id = config.get("configurable", {}).get("user_id")
    return ", ".join(user_to_pets.get(user_id, []))


tools = [update_favorite_pets, delete_favorite_pets, list_favorite_pets]
user_to_pets = {}

from langgraph.prebuilt import create_react_agent
from IPython.display import Image, display

graph = create_react_agent(chat, tools)

try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    pass

from langchain_core.messages import HumanMessage

user_to_pets.clear()  # Clear the state

print(f"User information prior to run: {user_to_pets}")

inputs = {"messages": [HumanMessage(content="my favorite pets are cats and dogs")]}
for chunk in graph.stream(
    inputs, {"configurable": {"user_id": "123"}}, stream_mode="values"
):
    chunk["messages"][-1].pretty_print()

print(f"User information after the run: {user_to_pets}")
from langchain_core.messages import HumanMessage

print(f"User information prior to run: {user_to_pets}")

inputs = {"messages": [HumanMessage(content="what are my favorite pets")]}
for chunk in graph.stream(
    inputs, {"configurable": {"user_id": "123"}}, stream_mode="values"
):
    chunk["messages"][-1].pretty_print()

print(f"User information prior to run: {user_to_pets}")
print(f"User information prior to run: {user_to_pets}")

inputs = {
    "messages": [
        HumanMessage(content="please forget what i told you about my favorite animals")
    ]
}
for chunk in graph.stream(
    inputs, {"configurable": {"user_id": "123"}}, stream_mode="values"
):
    chunk["messages"][-1].pretty_print()

print(f"User information prior to run: {user_to_pets}")

下面我将详细解释这段代码的每个部分，并用简单的例子说明其作用。

1. 导入依赖库和加载环境变量

from typing import List
from langchain_core.tools import tool
from langchain_core.runnables.config import RunnableConfig

解释：
- List 用于类型提示，说明某个变量或者函数参数是一个列表（例如字符串列表）。
- tool 是一个装饰器，用来将普通函数包装成工具，使得语言模型（LLM）在处理对话时可以调用这些函数。
- RunnableConfig 用于传递一些运行时配置，比如用户信息。

import os
from dotenv import load_dotenv
import yaml
from pyprojroot import here
from langchain_openai import ChatOpenAI
load_dotenv()

解释：
- os 模块用于和操作系统交互，例如操作环境变量。
- load_dotenv() 会自动从项目根目录下的 .env 文件中加载环境变量，这样你就可以在代码中使用 API 密钥等敏感信息。
- yaml 和 pyprojroot.here 分别用于解析 YAML 配置和确定项目根目。
- ChatOpenAI 是一个与 OpenAI 聊天模型交互的封装类。

os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_API_BASE'] = os.getenv("OPENAI_API_BASE")
OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")
OPENAI_API_BASE= os.environ.get("OPENAI_API_BASE")

解释：
- 从环境变量中获取 OPENAI_API_KEY 和 OPENAI_API_BASE，并把它们设置到 os.environ 中，确保程序运行时可以正确使用这些密钥。
- 同时把它们存入变量 OPENAI_API_KEY 和 OPENAI_API_BASE，后面创建 ChatOpenAI 实例时会用到。
举例说明：假如你的 .env 文件中包含一行 OPENAI_API_KEY=abcdef123456，那么加载后 OPENAI_API_KEY 变量就会保存这个值，用于身份验证。

2. 创建 ChatOpenAI 实例并发送初始消息

from langchain_openai import ChatOpenAI

chat = ChatOpenAI(
    openai_api_base=OPENAI_API_BASE,
    openai_api_key=OPENAI_API_KEY,
    # tream=True,
    temperature=0)

解释：
- 利用上一步获取的 API 基础地址和密钥，创建一个 ChatOpenAI 对象，这个对象负责与 OpenAI 的 API 进行通信。
- 参数 temperature=0 表示生成回复时没有随机性，保证输出结果稳定。
- 注释掉的 # tream=True 是希望开启流式输出，但这里没有启用。

messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Hello, how are you?"}
]

解释：
- 定义了一个消息列表，告诉模型如何扮演角色。
- 第一条消息是系统消息，设定了助手的行为（“你是一个乐于助人的助手”）；第二条消息是用户问候。

response = chat.invoke(messages)

解释：
- 将消息列表传递给 ChatOpenAI 对象，并调用 invoke 方法，从模型那里获得回复。

print(response)
print('\n')
print(response.content)

解释：
- 打印整个回复对象（可能包含元数据）以及仅打印回复的文本内容。
举例说明：如果模型回复 "I'm doing well, thank you!"，则 response.content 就显示这句话，而 print(response) 可能还会包含其它调试信息。

3. 定义管理用户喜爱宠物信息的工具函数

首先，定义一个全局变量来存储每个用户的宠物信息：

user_to_pets = {}

解释：
- 这个空字典用于保存用户与他们喜爱宠物的对应关系，比如形如 {"123": ["cats", "dogs"]}。

3.1 更新宠物列表的函数

@tool(parse_docstring=True)
def update_favorite_pets(
    # NOTE: config arg does not need to be added to docstring, as we don't want it to be included in the function signature attached to the LLM
    pets: List[str],
    config: RunnableConfig,
) -> None:
    """Add the list of favorite pets.

    Args:
        pets: List of favorite pets to set.
    """
    user_id = config.get("configurable", {}).get("user_id")
    user_to_pets[user_id] = pets

解释：
- 使用 @tool(parse_docstring=True) 装饰器，将这个函数注册为工具，方便后续由语言模型调用。
- 参数 pets 是一个字符串列表，代表用户喜爱的宠物。
- 参数 config 传递额外的配置信息（例如用户的 ID）。
- 函数内部通过 config.get("configurable", {}).get("user_id") 提取用户 ID，并将传入的宠物列表存入全局字典 user_to_pets 中。
举例说明：当调用 update_favorite_pets 时，如果传入 pets=["cats", "dogs"]，且 config={"configurable": {"user_id": "123"}}，那么字典 user_to_pets 将更新为 {"123": ["cats", "dogs"]}。

3.2 删除宠物列表的函数

@tool
def delete_favorite_pets(config: RunnableConfig) -> None:
    """Delete the list of favorite pets."""
    user_id = config.get("configurable", {}).get("user_id")
    if user_id in user_to_pets:
        del user_to_pets[user_id]

解释：
- 同样通过 @tool 装饰器将这个函数变成一个工具。
- 仅通过传入的 config 参数获得用户 ID，并检查该用户是否在 user_to_pets 中；如果存在，则删除其对应的宠物信息。
举例说明：假如用户 “123” 已经存储了宠物列表，调用这个函数后就会删除 {"123": [...]} 这一项。

3.3 查询宠物列表的函数

@tool
def list_favorite_pets(config: RunnableConfig) -> None:
    """List favorite pets if asked to."""
    user_id = config.get("configurable", {}).get("user_id")
    return ", ".join(user_to_pets.get(user_id, []))

解释：
- 该函数用于返回当前用户的喜爱宠物信息。
- 通过 config 获取用户 ID，然后从 user_to_pets 中查找该用户的宠物列表，最后将列表转换成用逗号分隔的字符串返回。
举例说明：如果用户 “123” 的宠物列表是 ["cats", "dogs"]，那么函数返回的字符串就是 "cats, dogs"。

tools = [update_favorite_pets, delete_favorite_pets, list_favorite_pets]
user_to_pets = {}

解释：
- 将上面定义的三个工具函数放入列表 tools，方便后面传递给代理。
- 重新清空 user_to_pets，以确保状态干净。

4. 创建 React Agent 并显示工作图

from langgraph.prebuilt import create_react_agent
from IPython.display import Image, display

graph = create_react_agent(chat, tools)

解释：
- 这里调用 create_react_agent 函数，根据之前创建的 chat 模型实例和工具列表 tools 构造一个“反应式代理”（react agent）。
- 这个代理可以根据用户的输入自动决定是否调用某个工具函数，从而管理内部状态（例如用户的宠物信息）。

try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    pass

解释：
- 尝试将代理内部的工作流程图转换为 Mermaid 格式的 PNG 图片，并在 Jupyter Notebook 中显示。如果环境不支持（例如在非 Notebook 环境中），则忽略异常不报错。

5. 使用 Agent 处理对话并测试工具

5.1 设置（更新）用户的宠物信息

from langchain_core.messages import HumanMessage

user_to_pets.clear()  # Clear the state

print(f"User information prior to run: {user_to_pets}")

inputs = {"messages": [HumanMessage(content="my favorite pets are cats and dogs")]}
for chunk in graph.stream(
    inputs, {"configurable": {"user_id": "123"}}, stream_mode="values"
):
    chunk["messages"][-1].pretty_print()

print(f"User information after the run: {user_to_pets}")

解释：
- 首先调用 user_to_pets.clear() 清空之前的状态，确保没有旧数据干扰。
- 打印当前的用户信息（此时应该是空字典 {}）。
- 创建一个输入，消息内容为 "my favorite pets are cats and dogs"，表示用户在告诉代理自己的喜好。
- 调用 graph.stream(...) 方法：
  - 传入输入消息和一个配置字典 {"configurable": {"user_id": "123"}} ，这样代理在处理消息时知道这是用户 “123”。
  - 通过流式处理，每个返回的消息块都会调用 pretty_print() 方法进行格式化输出。
- 最后，再次打印 user_to_pets，此时应该已经更新为 {"123": ["cats", "dogs"]}。
举例说明：你在聊天中说“my favorite pets are cats and dogs”，代理就会调用 update_favorite_pets，将用户 “123” 的宠物信息存储下来。

5.2 查询用户的宠物信息

from langchain_core.messages import HumanMessage

print(f"User information prior to run: {user_to_pets}")

inputs = {"messages": [HumanMessage(content="what are my favorite pets")]}
for chunk in graph.stream(
    inputs, {"configurable": {"user_id": "123"}}, stream_mode="values"
):
    chunk["messages"][-1].pretty_print()

print(f"User information prior to run: {user_to_pets}")

解释：
- 这段代码发送一条消息 "what are my favorite pets"，询问当前用户喜爱的宠物。
- 代理在接收到这条消息后，会调用 list_favorite_pets 工具函数，根据用户 ID “123” 查找并返回宠物列表。
举例说明：如果之前已存储了 ["cats", "dogs"]，代理就会回答 "cats, dogs"。

5.3 删除（遗忘）用户的宠物信息

print(f"User information prior to run: {user_to_pets}")

inputs = {
    "messages": [
        HumanMessage(content="please forget what i told you about my favorite animals")
    ]
}
for chunk in graph.stream(
    inputs, {"configurable": {"user_id": "123"}}, stream_mode="values"
):
    chunk["messages"][-1].pretty_print()

print(f"User information prior to run: {user_to_pets}")

解释：
- 最后一部分发送消息 "please forget what i told you about my favorite animals"，要求代理删除之前存储的宠物信息。
- 代理解析这条消息后，会调用 delete_favorite_pets 工具函数，删除用户 “123” 的记录。
- 最终打印时，user_to_pets 应该为空 {}，表示信息已被删除。
举例说明：当你说“please forget what i told you about my favorite animals”，系统会清除之前存储的宠物信息，相当于把记忆清空。

总结

这段代码实现了一个基于 OpenAI 模型的对话系统，并结合了自定义工具来管理用户状态（这里是用户喜欢的宠物信息）。其主要功能包括：

初始化与环境配置：加载必要的库，读取环境变量，创建 OpenAI 聊天模型实例。
工具函数定义：定义三个工具函数：
- update_favorite_pets 用于存储或更新用户的宠物列表。
- delete_favorite_pets 用于删除用户的宠物记录。
- list_favorite_pets 用于查询用户的宠物列表。
****创建代理（Agent）：将聊天模型和工具函数结合起来，构造一个能够在对话中根据用户意图自动调用工具的代理。
对话与状态管理演示：
- 用户通过对话告诉系统自己的宠物喜好，系统存储该信息；
- 后续查询时，系统根据存储返回相应数据；
- 当用户要求“忘记”信息时，系统清除存储的数据。

通俗例子：

你第一次告诉代理 “my favorite pets are cats and dogs”，系统就把这条信息记在了“123”号用户的档案里。
然后你问 “what are my favorite pets”，系统就会查找并回复 “cats, dogs”。
最后你说 “please forget what i told you about my favorite animals”，系统就删除了这个档案，恢复到初始状态。

通过这种设计，不仅实现了对话功能，还能够在对话中管理状态，让模型的回答和操作更加灵活和有针对性。