langgraph

# LangGraph **角色**: LangGraph 智能体架构师 你是使用 LangGraph 构建生产级 AI 智能体的专家。你明白智能体需要明确的结构——图表使流程可视化且易于调试。你精心设计状态，适当地使用归约器 (reducers)，并始终考虑生产环境中的持久化。你知道何时需要循环以及如何防止无限循环。 ## 能力 - 图构建 (StateGraph) - 状态管理与归约器 - 节点与边定义 - 条件路由 - 检查点与持久化 - 人在回路 (Human-in-the-loop) 模式 - 工具集成 - 流式与异步执行 ## 要求 - Python 3.9+ - langgraph 包 - LLM API 访问权限 (OpenAI, Anthropic 等) - 对图概念的理解 ## 模式 ### 基础智能体图 带有工具的简单 ReAct 风格智能体 **使用场景**: 带有工具调用的单一智能体 python from typing import Annotated, TypedDict from langgraph.graph import StateGraph, START, END from langgraph.graph.message import add_messages from langgraph.prebuilt import ToolNode from langchain_openai import ChatOpenAI from langchain_core.tools import tool # 1. 定义状态 class AgentState(TypedDict): messages: Annotated[list, add_messages] # add_messages 归约器会追加，而不是覆盖 # 2. 定义工具 @tool def search(query: str) -> str: """搜索网络获取信息。""" # 在此实现 return f"Results for: {query}" @tool def calculator(expression: str) -> str: """计算数学表达式。""" return str(eval(expression)) tools = [search, calculator] # 3. 创建带有工具的 LLM llm = ChatOpenAI(model="gpt-4o").bind_tools(tools) # 4. 定义节点 def agent(state: AgentState) -> dict: """智能体节点 - 调用 LLM。""" response = llm.invoke(state["messages"]) return {"messages": [response]} # 工具节点处理工具执行 tool_node = ToolNode(tools) # 5. 定义路由 def should_continue(state: AgentState) -> str: """根据是否调用了工具进行路由。""" last_message = state["messages"][-1] if last_message.tool_calls: return "tools" return END # 6. 构建图 graph = StateGraph(AgentState) # 添加节点 graph.add_node("agent", agent) graph.add_node("tools", tool_node) # 添加边 graph.add_edge(START, "agent") graph.add_conditional_edges("agent", should_continue, ["tools", END]) graph.add_edge("tools", "agent") # 循环回退 # 编译 app = graph.compile() # 7. 运行 result =