LangGraph 入门

安装依赖
创建一个代理
配置 LLM
添加自定义提示
添加记忆
配置结构化输出

LangGraph 为任何 长时间运行 、 有状态 的工作流或智能体提供底层支持基础设施。LangGraph 不抽象提示或架构，并提供以下核心优势：

持久执行 ：构建能够抵御故障并长时间运行的智能体，可从上次中断的地方自动恢复
人机协作 ：在执行的任何时间点检查和修改智能体状态，无缝地融入人工监督
全面记忆 ：创建真正有状态的智能体，既具备用于持续推理的短期工作记忆，也具备跨会话的长期持久记忆
使用 LangSmith 进行调试 ：利用可视化工具深入了解复杂的智能体行为，这些工具可以追踪执行路径、捕获状态转换并提供详细的运行时指标
生产就绪部署 ：利用可扩展的基础设施，自信地部署复杂的智能体系统，该基础设施旨在处理有状态、长时间运行工作流的独特挑战

本指南展示如何设置和使用 LangGraph 的 预构建 、 可重用 组件，这些组件旨在帮助快速可靠地构建代理系统

安装依赖

如果还没有安装 LangGraph 和 LangChain

pip install -U langgraph "langchain[anthropic]"

创建一个代理

要创建一个代理，请使用 create_react_agent

from langgraph.prebuilt import create_react_agent

def get_weather(city: str) -> str:  
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",  
    tools=[get_weather],  
    prompt="You are a helpful assistant"  
)

# Run the agent
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
);

配置 LLM

要配置具有特定参数（如温度）的 LLM，请使用 init_chat_model

from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent

model = init_chat_model(
    "anthropic:claude-3-7-sonnet-latest",
    temperature=0
)

agent = create_react_agent(
    model=model,
    tools=[get_weather],
)

有关如何配置 LLM 的更多信息，请参见模型

添加自定义提示

提示指导 LLM 如何行为。添加以下类型的提示之一

静态：字符串被解释为系统消息

from langgraph.prebuilt import create_react_agent

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    # A static prompt that never changes
    prompt="Never answer questions about the weather."
)

agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

定义固定提示字符串或消息列表

动态：在运行时根据输入或配置生成的消息列表

from langchain_core.messages import AnyMessage
from langchain_core.runnables import RunnableConfig
from langgraph.prebuilt.chat_agent_executor import AgentState
from langgraph.prebuilt import create_react_agent

def prompt(state: AgentState, config: RunnableConfig) -> list[AnyMessage]:  
    user_name = config["configurable"].get("user_name")
    system_msg = f"You are a helpful assistant. Address the user as {user_name}."
    return [{"role": "system", "content": system_msg}] + state["messages"]

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    prompt=prompt
)

agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]},
    config={"configurable": {"user_name": "John Smith"}}
)

定义一个函数，根据代理的状态和配置返回消息列表

有关更多信息，请参见上下文

添加记忆

为了允许与代理进行多轮对话，需要通过在创建代理时提供一个 checkpointer 来启用 持久化 。在运行时，需要提供一个包含 thread_id 对话（会话）的唯一标识符 的配置

from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import InMemorySaver

checkpointer = InMemorySaver()

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    checkpointer=checkpointer  
)

# Run the agent
config = {"configurable": {"thread_id": "1"}}
sf_response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]},
    config  
)

ny_response = agent.invoke(
    {"messages": [{"role": "user", "content": "what about new york?"}]},
    config
)

当启用检查点时，它会在提供的检查点数据库中（如果使用 InMemorySaver，则在内存中）的每一步存储代理状态

在上述示例中，当代理第二次使用相同的 thread_id 被调用时，第一次对话的原始消息历史记录将自动包含在内，以及新的用户输入

有关更多信息，请参见记忆

配置结构化输出

要生成符合模式的结构化响应，请使用 response_format 参数。模式可以使用 Pydantic 模型或 TypedDict 定义。结果将通过 structured_response 字段访问

from pydantic import BaseModel
from langgraph.prebuilt import create_react_agent

class WeatherResponse(BaseModel):
    conditions: str

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    response_format=WeatherResponse  
)

response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

response["structured_response"]

结构化输出需要额外调用 LLM 以根据模式格式化响应

Next：基础知识

Home: LangGraph 教程