基于 LangGraph 创建智能体应用
早在年初的时候，LangChain 发布了 v0.1.0 稳定版本，版本公告里通过大量的篇幅对功能特性做了全面的介绍，最后，在公告的结尾，提到了一个不那么显眼的库，那就是 LangGraph。尽管看上去不那么显眼，但是它却非常重要，所以后来官方又 发表了一篇博客来单独介绍它，这是一个面向当前大模型领域最火热的智能体应用的库，是 LangChain 在智能体开发，特别是复杂的多智能体系统方面的一次重大尝试。
在之前的 LangChain 版本中，我们可以通过 AgentExecutor 实现智能体，在 大模型应用开发框架 LangChain 学习笔记（二） 中，我们曾经学习过 AgentExecutor 的用法，实现了包括 Zero-shot ReAct Agent、Conversational ReAct Agent、ReAct DocStore Agent、Self-Ask Agent、OpenAI Functions Agent 和 Plan and execute Agent 这些不同类型的智能体。但是这种方式过于黑盒，所有的决策过程都隐藏在 AgentExecutor 的背后，缺乏更精细的控制能力，在构建复杂智能体的时候非常受限。
LangGraph 提供了对应用程序的流程和状态更精细的控制，它允许定义包含循环的流程，并使用 状态图（State Graph） 来表示 AgentExecutor 的黑盒调用过程。
下面是 LangGraph 的关键特性：
- 循环和分支（Cycles and Branching）：支持在应用程序中实现循环和条件语句；
- 持久性（Persistence）：自动保存每一步的执行状态，支持在任意点暂停和恢复，以实现错误恢复、人机协同、时间旅行等功能；
- 人机协同（Human-in-the-Loop）：支持在行动执行前中断执行，允许人工介入批准或编辑；
- 流支持（Streaming Support）：图中的每个节点都支持实时地流式输出；
- 与 LangChain 的集成（Integration with LangChain）：LangGraph 与 LangChain 和 LangSmith 无缝集成，但并不强依赖于它们。
快速开始
我们从一个最简单的例子开始：
### 定义状态图
from langgraph.graph import StateGraph, MessagesState
graph_builder = StateGraph(MessagesState)
### 定义模型和 chatbot 节点
from langchain_openai import ChatOpenAI
llm = ChatOpenAI()
def chatbot(state: MessagesState):
return {"messages": [llm.invoke(state["messages"])]}
### 构建和编译图
from langgraph.graph import END, START
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)
graph = graph_builder.compile()
### 运行
from langchain_core.messages import HumanMessage
response = graph.invoke(
{"messages": [HumanMessage(content="合肥今天天气怎么样？")]}
)
response["messages"][-1].pretty_print()在这个例子中，我们使用 LangGraph 定义了一个只有一个节点的图：
基本概念
上面的示例非常简单，还称不上什么智能体，尽管如此，它却向我们展示了 LangGraph 中的几个重要概念：
- 图（Graph） 是 LangGraph 中最为重要的概念，它将智能体的工作流程建模为图结构。大学《数据结构》课程学过，图由 节点（Nodes） 和 边（Edges） 构成，在 LangGraph 中也是如此，此外，LangGraph 中还增加了 状态（State） 这个概念；
- 状态（State） 表示整个图运行过程中的状态数据，可以理解为应用程序当前快照，为图中所有节点所共享，它可以是任何 Python 类型，但通常是
TypedDict类型或者 Pydantic 的BaseModel类型； - 节点（Nodes） 表示智能体的具体执行逻辑，它接收当前的状态作为输入，执行某些计算，并返回更新后的状态；节点不一定非得是调用大模型，可以是任意的 Python 函数；
- 边（Edges） 表示某个节点执行后，接下来要执行哪个节点；边的定义可以是固定的，也可以是带条件的；如果是条件边，我们还需要定义一个 路由函数（Routing function），根据当前的状态来确定接下来要执行哪个节点。
通过组合节点和边，我们可以创建复杂的循环工作流，随着节点的执行，不断更新状态。简而言之：节点用于执行动作，边用于指示下一步动作。
LangGraph 的实现采用了 消息传递（Message passing） 的机制。其灵感源自 Google 的 Pregel 和 Apache 的 Beam 系统，当一个节点完成其操作后，它会沿着一条或多条边向其他节点发送消息。这些接收节点随后执行其功能，将生成的消息传递给下一组节点，如此循环往复。
代码详解
了解这些基本概念后，再回过头来看下上面的代码，脉络就很清楚了。
首先我们通过 StateGraph 定义了状态图：
graph_builder = StateGraph(MessagesState)它接受状态的 Schema 作为构造参数，在这里直接使用了内置的 MessagesState 类，它的定义如下：
class MessagesState(TypedDict):
messages: Annotated[list[AnyMessage], add_messages]MessagesState 很简单，仅包含一个 LangChain 格式的消息列表，一般在构造聊天机器人或示例代码时使用，在正式环境中用的并不多，因为大多数应用程序需要的状态比消息列表更为复杂。
后面的 add_messages 被称为 规约函数（Reducers），表示当节点执行后状态如何更新。当没有定义规约函数时，默认是覆盖的逻辑，比如下面这样的状态 Schema：
from typing import TypedDict
class State(TypedDict):
foo: int
bar: list[str]假设图的输入为 {"foo": 1, "bar": ["hi"]}，接着假设第一个节点返回 {"foo": 2}，这时状态被更新为 {"foo": 2, "bar": ["hi"]}，注意，节点无需返回整个状态对象，只有返回的字段会被更新，再接着假设第二个节点返回 {"bar": ["bye"]}，这时状态将变为 {"foo": 2, "bar": ["bye"]}。
当定义了规约函数，更新逻辑就不一样了，比如对上面的状态 Schema 稍作修改：
from typing import TypedDict, Annotated
from operator import add
class State(TypedDict):
foo: int
bar: Annotated[list[str], add]仍然假设图的输入为 {"foo": 1, "bar": ["hi"]}，接着假设第一个节点返回 {"foo": 2}，这时状态被更新为 {"foo": 2, "bar": ["hi"]}，再接着假设第二个节点返回 {"bar": ["bye"]}，这时状态将变为 {"foo": 2, "bar": ["hi", "bye"]}。
定义了图之后，我们接下来就要定义节点，这里我们只定义了一个 chatbot 节点：
def chatbot(state: MessagesState):
return {"messages": [llm.invoke(state["messages"])]}节点就是普通的 Python 函数，在这里调用大模型得到回复，也可以是任意其他的逻辑，函数的入参就是上面所定义的状态对象，我们可以从状态中取出最新的值，函数的出参也是状态对象，节点执行后，根据规约函数，返回值会被更新到状态中。
定义节点后，我们就可以使用 add_node 方法将其添加到图中：
graph_builder.add_node("chatbot", chatbot)然后再使用 add_edge 方法添加两条边，一条边从 START 节点到 chatbot 节点，一个边从 chatbot 节点到 END 结束：
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)START 和 END 是两个特殊节点，START 表示开始节点，接受用户的输入，是整个图的入口，END 表示结束节点，执行到它之后就没有后续动作了。
值得注意的是，这里构建图的接口形式借鉴了 NetworkX 的设计理念。整个图构建好后，我们还需要调用 compile 方法编译图：
graph = graph_builder.compile()只有编译后的图才能使用。编译是一个相当简单的步骤，它会对图的结构进行一些基本检查，比如无孤立节点等，也可以在编译时设置一些运行时参数，比如检查点、断点等。
编译后的图是一个 Runnable 对象，所以我们可以使用 invoke/ainvoke 来调用它：
response = graph.invoke(
{"messages": [HumanMessage(content="合肥今天天气怎么样？")]}
)
response["messages"][-1].pretty_print()也可以使用 stream/astream 来调用它：
for event in graph.stream({"messages": ("user", "合肥今天天气怎么样？")}):
for value in event.values():
value["messages"][-1].pretty_print()输出结果如下：
================================== Ai Message ==================================
对不起，我无法提供实时天气信息。您可以通过天气预报应用程序或网站来获取合肥今天的天气情况。工具调用
可以看到，现在这个程序只是对大模型进行了一层包装，还谈不上是智能体。Lilian Weng 在 LLM Powered Autonomous Agents 这篇博客中总结到，智能体至少要包含三个核心组件：规划（Planning）、记忆（Memory） 和 工具使用（Tool use）。
其中，规划和记忆好比人的大脑，可以储存历史知识，对问题进行分析思考，现在的大模型都或多或少具备这样的能力；工具使用好比人的五官和手脚，可以感知世界，与外部源（例如知识库或环境）进行交互，以获取额外信息，并执行动作。工具的使用是人类区别于其他动物的重要特征，也是智能体区别于其他应用程序的重要特征。
这一节我们将对上面的 LangGraph 示例做些修改，使其具备工具调用的能力。首先，我们定义一个天气查询的工具：
### 定义工具
from pydantic import BaseModel, Field
from langchain_core.tools import tool
class GetWeatherSchema(BaseModel):
city: str = Field(description = "城市名称，如合肥、北京、上海等")
date: str = Field(description = "日期，如今天、明天等")
@tool(args_schema = GetWeatherSchema)
def get_weather(city: str, date: str):
"""查询天气"""
if city == "合肥":
return "今天晴天，气温30度。"
return "今天有小雨，气温25度。"这里使用了 LangChain 的 @tool 注解将一个方法定义成工具，并使用了 pydantic 对工具的参数做一些说明，在 这篇博客 中我还介绍了一些其他定义工具的方法，也可以使用。
接下来，和之前的示例一样，我们仍然需要定义一个状态图：
### 定义状态图
from langgraph.graph import StateGraph, MessagesState
graph_builder = StateGraph(MessagesState)再接下来定义节点：
### 定义 tools 节点
from langgraph.prebuilt import ToolNode
tools = [get_weather]
tool_node = ToolNode(tools)
### 定义模型和 chatbot 节点
from langchain_openai import ChatOpenAI
llm = ChatOpenAI()
llm = llm.bind_tools(tools)
def chatbot(state: MessagesState):
return {"messages": [llm.invoke(state["messages"])]}这和之前的示例有两点区别：
- 多了一个
tools节点，我们使用 LangGraph 内置的ToolNode来定义，一个工具节点中可以包含多个工具方法； - 在
chatbot 节点中，我们的大模型需要绑定这些工具，通过llm.bind_tools()实现；
再接下来，将节点添加到图中，并在节点和节点之间连上线：
### 构建和编译图
from langgraph.graph import END, START
from langgraph.prebuilt import tools_condition
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_node("tools", tool_node)
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("tools", 'chatbot')
graph_builder.add_conditional_edges("chatbot", tools_condition)
graph = graph_builder.compile()构建出的图如下所示：
可以看到这里有两条比较特别的连线，是虚线，这被称为 条件边（Conditional Edges），LangGraph 通过调用某个函数来确定下一步将执行哪个节点，这里使用了内置的 tools_condition 函数，当大模型返回 tool_calls 时执行 tools 节点，否则则执行 END 节点。
此时，一个简单的智能体就构建好了，我们再次运行之：
### 运行
for event in graph.stream({"messages": ("user", "合肥今天天气怎么样？")}):
for value in event.values():
value["messages"][-1].pretty_print()运行结果如下：
================================== Ai Message ==================================
Tool Calls:
get_weather (call_Jjp7SNIQkJWpLUdTL4uL1h1O)
Call ID: call_Jjp7SNIQkJWpLUdTL4uL1h1O
Args:
city: 合肥
date: 今天
================================= Tool Message =================================
Name: get_weather
今天晴天，气温30度。
================================== Ai Message ==================================
合肥今天是晴天，气温30度。完整的代码 参考这里。
深入 Tool Call 的原理
从上面的运行结果中可以看出，用户消息首先进入 chatbot 节点，也就是调用大模型，大模型返回 tool_calls 响应，因此进入 tools 节点，接着调用我们定义的 get_weather 函数，得到合肥的天气，然后再次进入 chatbot 节点，将函数结果送给大模型，最后大模型就可以回答出用户的问题了。
这个调用的流程图如下：
OpenAI 官方文档 中有一张更详细的流程图：
其中要注意的是，第二次调用大模型时，可能仍然会返回 tool_calls 响应，这时可以循环处理。
为了更好的理解 LangGraph 是如何调用工具的，我们不妨深入接口层面一探究竟。总的来说，LangGraph 利用大模型的 Tool Call 功能，实现动态的选择工具，提取工具参数，执行工具函数，并根据工具运行结果回答用户问题。
有很多大模型具备 Tool Call 功能，比如 OpenAI、Anthropic、Gemini、Mistral AI 等，我们可以通过 llm.bind_tools(tools) 给大模型绑定可用的工具，实际上，绑定工具就是在请求大模型的时候，在入参中多加一个 tools 字段：
{
"model": "gpt-4",
"messages": [
{
"role": "user",
"content": "合肥今天天气怎么样？"
}
],
"stream": false,
"n": 1,
"temperature": 0.7,
"tools": [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询天气",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称，如合肥、北京、上海等"
},
"date": {
"type": "string",
"description": "日期，如今天、明天等"
}
},
"required": [
"city",
"date"
]
}
}
}
],
"tool_choice": "auto"
}这时大模型返回的结果类似于下面这样，也就是上面所说的 tool_calls 响应：
{
"id": "chatcmpl-ABDVbXhhQLF8yN3xZV5FpW10vMQpP",
"object": "chat.completion",
"created": 1727236899,
"model": "gpt-4-0613",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "",
"tool_calls": [
{
"id": "call_aZaHgkaSmzq7kWX5f73h7nGg",
"type": "function",
"function": {
"name": "get_weather",
"arguments": "{\n \"city\": \"合肥\",\n \"date\": \"今天\"\n}"
}
}
]
},
"finish_reason": "tool_calls"
}
],
"usage": {
"prompt_tokens": 91,
"completion_tokens": 25,
"total_tokens": 116
},
"system_fingerprint": ""
}我们只需要判断大模型返回的结果中是否有 tool_calls 字段就能知道下一步是不是要调用工具，这其实就是 tools_condition 这个条件函数的逻辑：
def tools_condition(
state: Union[list[AnyMessage], dict[str, Any]],
) -> Literal["tools", "__end__"]:
if isinstance(state, list):
ai_message = state[-1]
elif messages := state.get("messages", []):
ai_message = messages[-1]
else:
raise ValueError(f"No messages found in input state to tool_edge: {state}")
if hasattr(ai_message, "tool_calls") and len(ai_message.tool_calls) > 0:
return "tools"
return "__end__"tools_condition 函数判断 messages 中如果有 tool_calls 字段且不为空，则返回 tools，也就是工具节点，否则返回 __end__ 也就是结束节点。
工具节点的执行，我们使用的是 LangGraph 内置的 ToolNode 类，它的实现比较复杂，感兴趣的可以翻看下它的源码，但是大体流程可以用下面几行代码表示：
tools_by_name = {tool.name: tool for tool in tools}
def tool_node(state: dict):
result = []
for tool_call in state["messages"][-1].tool_calls:
tool = tools_by_name[tool_call["function"]["name"]]
observation = tool.invoke(tool_call["function"]["arguments"])
result.append(ToolMessage(content=observation, tool_call_id=tool_call["id"]))
return {"messages": result}工具节点遍历 tool_calls 数组，根据大模型返回的函数名 name 和函数参数 arguments 依次调用工具，并将工具结果以 ToolMessage 形式附加到 messages 中。这样再次进入 chatbot 节点时，向大模型发起的请求就如下所示（多了一个角色为 tool 的消息）：
{
"model": "gpt-4",
"messages": [
{
"role": "user",
"content": "合肥今天天气怎么样？"
},
{
"role": "assistant",
"content": "",
"tool_calls": [
{
"id": "call_aZaHgkaSmzq7kWX5f73h7nGg",
"type": "function",
"function": {
"name": "get_weather",
"arguments": "{\n \"city\": \"合肥\",\n \"date\": \"今天\"\n}"
}
}
]
},
{
"role": "tool",
"content": "晴，27度",
"tool_call_id": "call_aZaHgkaSmzq7kWX5f73h7nGg"
}
],
"stream": false,
"n": 1,
"temperature": 0.7,
"tools": [
...
],
"tool_choice": "auto"
}大模型返回消息如下：
{
"id": "chatcmpl-ABDeUc21mx3agWVPmIEHndJbMmYTP",
"object": "chat.completion",
"created": 1727237450,
"model": "gpt-4-0613",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "合肥今天的天气是晴朗，气温为27度。"
},
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 129,
"completion_tokens": 24,
"total_tokens": 153
},
"system_fingerprint": ""
}此时 messages 中没有 tool_calls 字段，因此，进入 END 节点，这一轮的会话就结束了。
适配 Function Call 接口
经过上面的学习，我们知道，LangGraph 默认会使用大模型接口的 Tool Call 功能。Tool Call 是 OpenAI 推出 Assistants API 时引入的一种新特性，它相比于传统的 Function Call 来说，控制更灵活，比如支持一次返回多个函数，从而可以并发调用。
目前大多数大模型产商的接口都已经紧跟 OpenAI 的规范，推出了 Tool Call 功能，但是也有部分产商或开源模型只支持 Function Call，对于这些模型如何在 LangGraph 中适配呢？
Function Call 和 Tool Call 的区别在于，请求的参数中是 functions 而不是 tools，如下所示：
{
"messages": [
{
"role": "user",
"content": "合肥今天天气怎么样？"
}
],
"model": "gpt-4",
"stream": false,
"n": 1,
"temperature": 0.7,
"functions": [
{
"name": "get_weather",
"description": "查询天气",
"parameters": {
"properties": {
"city": {
"description": "城市名称，如合肥、北京、上海等",
"type": "string"
},
"date": {
"description": "日期，如今天、明天等",
"type": "string"
}
},
"required": [
"city",
"date"
],
"type": "object"
}
}
]
}LangChain 提供了 llm.bind_functions(tools) 方法来给大模型绑定可用的工具，这里的工具定义和 llm.bind_tools(tools) 是一模一样的：
### 定义模型和 chatbot 节点
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4")
llm = llm.bind_functions(tools)
def chatbot(state: MessagesState):
return {"messages": [llm.invoke(state["messages"])]}大模型返回结果如下，messages 中会包含 function_call 字段而不是 tool_calls：
{
"id": "chatcmpl-ACcnVWbuWbyxuO0eWqQrKBE0dB921",
"object": "chat.completion",
"created": 1727572437,
"model": "gpt-4-0613",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "",
"function_call": {
"name": "get_weather",
"arguments": "{\"city\":\"合肥\",\"date\":\"今天\"}"
}
},
"finish_reason": "function_call"
}
],
"usage": {
"prompt_tokens": 91,
"completion_tokens": 21,
"total_tokens": 112
},
"system_fingerprint": "fp_5b26d85e12"
}因此我们条件边的判断函数就不能以 tool_calls 来作为判断依据了，我们对其稍加修改：
def tools_condition(
state: MessagesState,
) -> Literal["tools", "__end__"]:
if isinstance(state, list):
ai_message = state[-1]
elif messages := state.get("messages", []):
ai_message = messages[-1]
else:
raise ValueError(f"No messages found in input state to tool_edge: {state}")
if "function_call" in ai_message.additional_kwargs:
return "tools"
return "__end__"注意 LangChain 将
function_call放在消息的额外字段additional_kwargs里。
最后是工具节点的实现，上面我们使用的是 LangGraph 内置的 ToolNode 类，它的实现比较复杂，要考虑工具的异步执行和并发执行等情况，我们不用实现和它完全一样的功能。最简单的做法是自定义一个 BasicToolNode 类，并实现一个 __call__ 方法：
import json
from langchain_core.messages import FunctionMessage
class BasicToolNode:
def __init__(self, tools: list) -> None:
self.tools_by_name = {tool.name: tool for tool in tools}
def __call__(self, inputs: dict):
if messages := inputs.get("messages", []):
message = messages[-1]
else:
raise ValueError("No message found in input")
outputs = []
if "function_call" in message.additional_kwargs:
tool_call = message.additional_kwargs["function_call"]
tool_result = self.tools_by_name[tool_call["name"]].invoke(
json.loads(tool_call["arguments"])
)
outputs.append(
FunctionMessage(
content=json.dumps(tool_result),
name=tool_call["name"]
)
)
return {"messages": outputs}
tools = [get_weather]
tool_node = BasicToolNode(tools=tools)我们从 function_call 字段中提取出工具名称 name 和工具参数 arguments，然后调用相应的工具，最后最重要的一步是将工具调用结果包装成一个 FunctionMessage 并附加到 messages 中。当程序流程再次进入 chatbot 节点时，向大模型发起的请求就如下所示（多了一个角色为 function 的消息）：
{
"messages": [
{
"role": "user",
"content": "合肥今天天气怎么样？"
},
{
"role": "assistant",
"content": "",
"function_call": {
"name": "get_weather",
"arguments": "{\"city\":\"合肥\",\"date\":\"今天\"}"
}
},
{
"role": "function",
"content": "晴，27度",
"name": "get_weather"
}
],
"model": "gpt-4",
"stream": false,
"n": 1,
"temperature": 0.7,
"functions": [
...
]
}至此，我们就通过 Function Call 实现了 LangGraph 的调用逻辑，完整的代码 参考这里。
可以看出其中有三步是关键：
- 给大模型绑定工具，可以通过
llm.bind_tools()或llm.bind_functions()实现，对于不支持 Function Call 的模型，甚至可以通过自定义 Prompt 来实现； - 解析大模型的返回结果，根据返回的结果中是否有
tool_calls或function_call字段，判断是否需要使用工具； - 根据大模型的返回结果，调用一个或多个工具方法。
记忆
我们的智能体现在可以使用工具来回答用户的问题，但它不记得先前互动的上下文，这限制了它进行多轮对话的能力。比如我们接着上面的问题后面再问一个与之相关问题：
for event in graph.stream({"messages": ("user", "合肥今天天气怎么样？")}):
for value in event.values():
value["messages"][-1].pretty_print()
for event in graph.stream({"messages": ("user", "要带伞吗？")}):
for value in event.values():
value["messages"][-1].pretty_print()智能体的回复如下：
================================== Ai Message ==================================
请问您在哪个城市以及哪一天需要查询天气情况呢？很显然，这个智能体还不具备记忆功能，而上一节我们曾提到，记忆（Memory） 是智能体必须具备的三大核心组件之一，所以这一节我们就来学习如何使用 LangGraph 实现它。
LangGraph 通过 持久化检查点（persistent checkpointing）) 实现记忆。首先，我们在编译图时设置检查点（checkpointer）参数：
from langgraph.checkpoint.memory import MemorySaver
memory = MemorySaver()
graph = graph_builder.compile(checkpointer=memory)然后在调用图时提供一个额外的线程 ID 配置：
config = {"configurable": {"thread_id": "1"}}
for event in graph.stream({"messages": ("user", "合肥今天天气怎么样？")}, config):
for value in event.values():
value["messages"][-1].pretty_print()
for event in graph.stream({"messages": ("user", "要带伞吗？")}, config):
for value in event.values():
value["messages"][-1].pretty_print()LangGraph 在第一次运行时自动保存状态，当再次使用相同的线程 ID 调用图时，图会加载其保存的状态，使得智能体可以从停下的地方继续。这一次，智能体的回复如下：
================================== Ai Message ==================================
不需要带伞，今天是晴天哦。可以看出智能体记住了上一轮的对话内容，现在我们可以和它进行多轮对话了。
持久化数据库
在上面的例子中，我们使用了 MemorySaver 这个检查点，这是一个简单的内存检查点，所有的对话历史都保存在内存中。对于一个正式的应用来说，我们需要将对话历史持久化到数据库中，可以考虑使用 SqliteSaver 或 PostgresSaver 等，LangGraph 也支持自定义检查点，实现其他数据库的持久化，比如 MongoDB 或 Redis。
这一节我们将使用 PostgresSaver 来将智能体的记忆持久化到数据库。
首先，安装 PostgresSaver 所需的依赖：
$ pip3 install "psycopg[binary,pool]" langgraph-checkpoint-postgres然后使用 Docker 启动一个 Postgre 实例：
$ docker run --name my-postgres -e POSTGRES_PASSWORD=123456 -p 5432:5432 -d postgres:latest然后将上一节代码中的 MemorySaver 检查点替换成 PostgresSaver 如下：
from langgraph.checkpoint.postgres import PostgresSaver
DB_URI = "postgresql://postgres:123456@localhost:5432/postgres?sslmode=disable"
with PostgresSaver.from_conn_string(DB_URI) as checkpointer:
# 第一次运行时初始化
checkpointer.setup()
graph = graph_builder.compile(checkpointer=checkpointer)
config = {"configurable": {"thread_id": "1"}}
for event in graph.stream({"messages": ("user", "合肥今天天气怎么样？")}, config):
for value in event.values():
value["messages"][-1].pretty_print()
for event in graph.stream({"messages": ("user", "要带伞吗？")}, config):
for value in event.values():
value["messages"][-1].pretty_print()第一次运行时，我们需要使用 checkpointer.setup() 来初始化数据库，新建必须的库和表，后续运行可以省略这一步。后面的代码和上一节是完全一样的，设置线程 ID 进行两轮问答，只不过现在问答记录存到数据库里了。感兴趣的同学可以打开 checkpoints 表看看数据结构：
注意这里我们直接基于连接字符串创建连接，这种方法简单方便，非常适用于快速测试验证，我们也可以创建一个 Connection 对象，设置一些额外的连接参数：
from psycopg import Connection
connection_kwargs = {
"autocommit": True,
"prepare_threshold": 0,
}
with Connection.connect(DB_URI, **connection_kwargs) as conn:
checkpointer = PostgresSaver(conn)
graph = graph_builder.compile(checkpointer=checkpointer)
...在正式环境下，我们往往会复用数据库的连接，这时可以使用连接池 ConnectionPool 对象：
from psycopg_pool import ConnectionPool
with ConnectionPool(conninfo=DB_URI, max_size=20, kwargs=connection_kwargs) as pool:
checkpointer = PostgresSaver(pool)
graph = graph_builder.compile(checkpointer=checkpointer)
...使用 LangSmith 调试智能体会话
当智能体的工具和节点不断增多，我们将会面临大量的问题，比如运行结果出乎意料，智能体出现死循环，反应速度比预期慢，运行花费了多少令牌，等等，这时如何调试智能体将变成一件棘手的事情。
一种简单的方法是使用 这里 介绍的包装类：
class Wrapper:
''' 包装类，用于调试 OpenAI 接口的原始入参和出参
'''
def __init__(self, wrapped_class):
self.wrapped_class = wrapped_class
def __getattr__(self, attr):
original_func = getattr(self.wrapped_class, attr)
def wrapper(*args, **kwargs):
print(f"Calling function: {attr}")
print(f"Arguments: {args}, {kwargs}")
result = original_func(*args, **kwargs)
print(f"Response: {result}")
return result
return wrapper
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4")
llm.client = Wrapper(llm.client)
llm = llm.bind_functions(tools)这种方法相当于给大模型接口增加了一个切面，用于记录接口的原始入参和出参，方便我们调试。
另一种更专业的做法是使用 LangSmith。
LangSmith 是 LangChain 开发的一个用于构建生产级 LLM 应用程序的平台，允许你调试、测试、评估和监控基于任何 LLM 框架构建的程序，无论是 LangChain 开发的链，还是 LangGraph 开发的智能体。
要使用 LangSmith，我们首先登录平台并注册一个账号，然后进入 Settings -> API Keys 页面，点击 Create API Key 按钮创建一个 API Key，然后设置如下环境变量：
export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=lsv2_pt_xxx
export LANGCHAIN_ENDPOINT=https://api.smith.langchain.com
export LANGCHAIN_PROJECT=default其中，LANGCHAIN_TRACING_V2=true 表示开启日志跟踪模式；LANGCHAIN_API_KEY 就是上一步创建的 API Key；LANGCHAIN_ENDPOINT 表示 LangSmith 端点地址，一般来说不用配置，由于 LangSmith 是一个开源项目，我们可以私有化部署，这时才需要配置；LANGCHAIN_PROJECT 表示将日志保存到哪个 LangSmith 项目，如果不设置，默认使用的 default 项目。
设置好环境变量，整个工作就完成了，代码无需任何变动，完全没有侵入性。此时，我们再次运行之前的代码，就可以在 LangSmith 平台上看到相应的记录了：
Runs 列表表示智能体每次的运行记录，也可以切换到 Threads 列表查看所有的会话线程：
点击进入记录详情，可以很直观地看到 LangGraph 的调用顺序，每一步的耗时和令牌数一目了然：
每一步还可以继续展开，查看该步骤更为详细的入参和出参，便于我们排查问题。
除了调试，我们还可以在 LangSmith 平台上将某一步的结果添加到 测试数据集（Dataset） 或 标注队列（Annotation Queue） 用于后续的测试和评估。还可以对 LLM 的调用情况进行监控分析：
高级特性
通过检查点我们实现了智能体的记忆功能，从而可以让智能体支持多轮对话。实际上，检查点远比我们想象的更强大，通过它可以在任何时候保存和恢复智能体运行过程中的状态，从而实现错误恢复、人机交互、时间旅行等高级特性。
人机交互（Human-in-the-loop）
基于 LLM 的应用程序可能会不可靠，有时需要人类的输入才能成功完成任务；对于某些操作，比如预定机票、支付订单等，可能在运行之前要求人工批准，以确保一切都按照预期运行。LangGraph 支持一种被称为 Human-in-the-loop 的工作流程，允许我们在执行工具节点之前停下来，等待人类的介入。
首先我们将上面代码中的工具改为 book_ticket，用于预定机票：
class BookTicketSchema(BaseModel):
from_city: str = Field(description = "出发城市名称，如合肥、北京、上海等")
to_city: str = Field(description = "到达城市名称，如合肥、北京、上海等")
date: str = Field(description = "日期，如今天、明天等")
@tool(args_schema = BookTicketSchema)
def book_ticket(from_city: str, to_city: str, date: str):
"""预定机票"""
return "您已成功预定 %s 从 %s 到 %s 的机票" % (date, from_city, to_city)再将用户的问题改为：
for event in graph.stream({"messages": ("user", "帮我预定一张明天从合肥到北京的机票")}, config):
for value in event.values():
value["messages"][-1].pretty_print()运行得到结果：
================================== Ai Message ==================================
Tool Calls:
book_ticket (call_WGzlRnbPXbN8YvwjIkIMNDS1)
Call ID: call_WGzlRnbPXbN8YvwjIkIMNDS1
Args:
date: 明天
from_city: 合肥
to_city: 北京
================================= Tool Message =================================
Name: book_ticket
您已成功预定 明天 从 合肥 到 北京 的机票
================================== Ai Message ==================================
您已成功预定 明天从合肥到北京的机票。祝您旅途愉快！如果还需要帮助，请随时告诉我。接下来我们稍微对代码做些修改，在编译图的时候设置 interrupt_before 参数：
graph = graph_builder.compile(
checkpointer=memory,
interrupt_before=["tools"]
)这样在执行到工具节点时，整个流程就会中断，重新运行结果如下：
================================== Ai Message ==================================
Tool Calls:
book_ticket (call_1jQtm6czoPrNhbRIR5FzyN47)
Call ID: call_1jQtm6czoPrNhbRIR5FzyN47
Args:
date: 明天
from_city: 合肥
to_city: 北京可以看到工具并没有执行，此时我们可以使用 graph.get_state(config) 获取流程图的当前状态，从当前状态里我们可以拿到上一步的消息和下一步将要执行的节点：
snapshot = graph.get_state(config)
print(snapshot.values["messages"][-1])
print(snapshot.next)向用户展示当前状态，以便用户对工具的执行进行确认，如果用户确认无误，则继续流程图的运行，直接传入 None 即可：
### 继续运行
for event in graph.stream(None, config):
for value in event.values():
value["messages"][-1].pretty_print()运行结果如下：
================================= Tool Message =================================
Name: book_ticket
您已成功预定 明天 从 合肥 到 北京 的机票
================================== Ai Message ==================================
好的，已为您成功预定一张明天从合肥到北京的机票。手动更新状态
在上一节中，我们学习了如何在执行工具之前中断，以便我们可以检查和确认，如果确认没问题，就继续运行，但如果确认有问题，这时我们就要手动更新状态，改变智能体的行为方向。
书接上回，我们仍然使用机票预定的例子，假设用户确认时，希望将日期从明天改为后天。我们可以使用下面的代码：
snapshot = graph.get_state(config)
existing_message = snapshot.values["messages"][-1]
new_tool_call = existing_message.tool_calls[0].copy()
new_tool_call["args"]["date"] = "后天"
new_message = AIMessage(
content=existing_message.content,
tool_calls=[new_tool_call],
# Important! The ID is how LangGraph knows to REPLACE the message in the state rather than APPEND this messages
id=existing_message.id,
)
graph.update_state(config, {"messages": [new_message]})这里我们首先获取当前状态，从当前状态中获取最后一条消息，我们知道最后一条消息是 tool_call 消息，于是将 tool_call 复制了一份，并修改 date 参数，然后重新构造 AIMessage 对象，并使用 graph.update_state() 来更新状态。值得注意的是，AIMessage 中的 id 参数非常重要，LangGraph 会从状态中找到和 id 匹配的消息，如果找到就更新，否则就是新增。
这样就实现了状态的更新，我们传入 None 参数继续运行之：
### 继续运行
for event in graph.stream(None, config):
for value in event.values():
value["messages"][-1].pretty_print()运行结果如下：
================================= Tool Message =================================
Name: book_ticket
您已成功预定 后天 从 合肥 到 北京 的机票
================================== Ai Message ==================================
您已成功预定 后天从合肥到北京的机票。祝您旅途愉快！如果还需要帮助，请随时告诉我。除了修改工具的参数之外，LangGraph 还支持我们修改状态中的任意消息，比如手动构造工具执行的结果以及大模型的回复：
snapshot = graph.get_state(config)
existing_message = snapshot.values["messages"][-1]
new_messages = [
# The LLM API expects some ToolMessage to match its tool call. We'll satisfy that here.
ToolMessage(content="预定失败", tool_call_id=existing_message.tool_calls[0]["id"]),
# And then directly "put words in the LLM's mouth" by populating its response.
AIMessage(content="预定失败"),
]
graph.update_state(config, {"messages": new_messages})完整的代码 参考这里，更多内容，参考 LangGraph 文档：
LangGraph 应用场景
官网文档提供了很多 LangGraph 的应用场景，包括 聊天机器人、RAG、智能体架构、评估分析等。
Chatbots
聊天机器人是智能体最常见的应用场景。
- Build a Customer Support Bot
- Prompt Generation from User Requirements
- Code generation with RAG and self-correction
RAG
检索增强生成（Retrieval-Augmented Generation，简称 RAG） 通过引入外部信息源实现知识问答，解决大模型缺乏领域知识、无法获取实时信息以及生成虚假内容等问题。我们在 这篇博客 中学习了不少高级 RAG 技巧，通过 LangGraph 可以将智能体和 RAG 相结合，实现更好的问答效果。
- Adaptive RAG
- Adaptive RAG using local LLMs
- Agentic RAG
- Corrective RAG (CRAG)
- Corrective RAG (CRAG) using local LLMs
- Self-RAG
- Self RAG using local LLMs
- An agent for interacting with a SQL database
Agent Architectures
ReAct 是最常见的智能体架构，这个词出自论文 ReAct: Synergizing Reasoning and Acting in Language Models，它是由 Reason 和 Act 两个词组合而成，表示一种将 推理 和 行动 与大模型相结合的通用范式。上面我们学习的 LangGraph 示例，其实就是参考了 ReAct 的思路，方便起见，LangGraph 将其内置在 SDK 中，我们可以直接使用 create_react_agent 方法来创建一个 ReAct 智能体：
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import MemorySaver
from langgraph.prebuilt import create_react_agent
llm = ChatOpenAI()
memory = MemorySaver()
tools = [get_weather]
graph = create_react_agent(llm, tools=tools, checkpointer=memory)除 ReAct 之外，还有不少其他的智能体架构，比如多智能体、规划型智能体、智能体的反思和批判。
Multi-Agent Systems
Planning Agents
Reflection & Critique
Evaluation & Analysis
使用智能体评估智能体。
Experimental
这里列举一些 LangGraph 的实验特性。
- Web Research (STORM)
- TNT-LLM: Text Mining at Scale
- Web Navigation
- Competitive Programming
- Complex data extraction with function calling
参考
LangGraph Blogs
- LangGraph
- LangGraph for Code Generation
- LangGraph: Multi-Agent Workflows
- Announcing LangGraph v0.1 & LangGraph Cloud: Running agents at scale, reliably
- LangGraph v0.2: Increased customization with new checkpointer libraries
- Jockey: A Conversational Video Agent Powered by Twelve Labs APIs and LangGraph
- LangGraph Studio: The first agent IDE
- Reflection Agents
- Plan-and-Execute Agents
Cobus Greyling
- LangChain Just Launched LangGraph Cloud
- LangGraph Cloud
- LangGraph Studio From LangChain
- LangGraph From LangChain Explained In Simple Terms
- LangGraph Introduced SubGraphs
- LangSmith, LangGraph Cloud & LangGraph Studio
- LangGraph Agents By LangChain
- Flows Are So Back
中文资料
- 使用LangChain来实现大模型agent
- 彻底搞懂LangGraph：构建强大的Multi-Agent多智能体应用的LangChain新利器 【1】
- 使用LangChain、LangGraph和LangSmith来创建AI Agent
- Code Interpreter: 使用PandoraBox和LangGraph构建的Agent
- 使用LangGraph实现时光旅行
- AI Agent 终结者 LangGraph！
- LangGraph | 新手入门
- 彻底搞懂LangGraph【1】：构建复杂智能体应用的LangChain新利器
- LangGraph实战
- LangGraph介绍
- LangChain补充五：Agent之LangGraph的使用
- 使用 LangGraph 构建可靠的 RAG 代理
