LangChain-LangGraph框架 应用实例
LangGraph是LangChain的高级库，为大型语言模型（LLM）带来循环计算能力。
LangGraph建立在LCEL之上，允许高效地协调应用程序组件，同时保持简洁和可读的代码。它包括内置持久性、对循环的支持，并优先考虑可控性。 如果LCEL对于更大或更复杂的链变得笨重，它们可能会受益于LangGraph的实现。
状态（State） 状态是一个共享的数据结构，通常是一个TypedDict或者Pydantic的BaseModel类型。
节点（Nodes） 节点是一个Python函数，接受一个State作为输入，经过内部计算后，返回更新后的State。
边（Edges） 边也是一个Python函数，基于当前State，决定下一步执行哪个/哪一些节点。
案例1
以下是 是机器人对话，使用LangGraph框架构建State、Nodes、Edges，创建一个流程图
先安装包：langgraph
步骤如下：
1.定义一个状态类型：MyState
messages 代表状态中保存数据的key list代表数据类型 add_messages函数用于更新列表数据
class MyState(TypedDict):messages:Annotated[list,add_messages]2.创建一个流程图
graph = StateGraph(MyState)3.准备一个node节点，大模型节点
llm = ChatOpenAI(temperature=1,model='deepseek-r1',api_key='sk-*****',base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)4.创建一个机器人节点函数，以当前state作为输入，并返回一个包含更新后的messages
然后使用add_node方法，将机器人节点加入到流程图中，该方法的
第一个参数是唯一节点的名称
第二个参数是当前节点被使用时将调用的函数或对象
def chatbot(state:MyState):return {'messages':[llm.invoke(state['messages'])]}graph.add_node('chatbot',chatbot)5.设置边，构建一张图
graph.add_edge(START,'chatbot') #表示流程从 START--->chatbot
graph.add_edge('chatbot',END) #表示流程从 chatbot--->ENDgraph = graph.compile()6.最后，为了让机器人可以一直和用户对话，循环调用这个流程图，需要创建方法loop_graph_invoke
def loop_graph_invoke(user_input:str):for chunk in graph.stream({'messages':[('user',user_input)]}):for value in chunk.values():print('AI机器人：',value['messages'][-1].content)while True:try:user_input = input('用户：')if(user_input.lower() in ['q','exit','quit']):print('对话结束，欢迎下次使用！')breakelse:loop_graph_invoke(user_input)except Exception as e:print(e)完整代码：
from typing import Annotated
from langchain_openai import ChatOpenAI
from langgraph.constants import START, END
from langgraph.graph import add_messages, StateGraph
from typing_extensions import TypedDictclass MyState(TypedDict):#messages 代表状态中保存数据的key list代表数据类型，add_messages函数用于更新列表数据messages:Annotated[list,add_messages]graph = StateGraph(MyState)llm = ChatOpenAI(temperature=1,model='deepseek-r1',api_key='sk-*****',base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)def chatbot(state:MyState):return {'messages':[llm.invoke(state['messages'])]}graph.add_node('chatbot',chatbot)#设置边
graph.add_edge(START,'chatbot') #表示流程从 START--->chatbot
graph.add_edge('chatbot',END) #表示流程从 chatbot--->END#构建一张图
graph = graph.compile()#把graph变成一张图def loop_graph_invoke(user_input:str):"""循环调用这个流程图，让AI可以一直和用户对话"""for chunk in graph.stream({'messages':[('user',user_input)]}):for value in chunk.values():print('AI机器人：',value['messages'][-1].content)while True:try:user_input = input('用户：')if(user_input.lower() in ['q','exit','quit']):print('对话结束，欢迎下次使用！')breakelse:loop_graph_invoke(user_input)except Exception as e:print(e)运行结果：
案例2
基于上面的机器人案例，以下是结合工具Tavily，实现实时搜索，流程图如下
首先需要添加工具，然后和大模型进行绑定
os.environ['TAVILY_API_KEY'] = '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'
search_