2025.11.12

2025-11-12 11:07:54 +08:00
parent a5f9a900cd
commit 9194a02ae9
9 changed files with 414 additions and 7 deletions
@@ -0,0 +1,42 @@
+from typing import TypedDict
+from langgraph.graph import StateGraph,END,START
+
+
+# 1. 定义State(状态) -- 白板上只有一个字段"count"
+class State(TypedDict):
+    count:int
+
+# 2. 编写Node(节点) -- 两个"工人"
+def node_a(state:State):
+    # 接收当前State状态，返回要更新的部分
+    print(f'[Node A]收到状态：{state}')
+    return {"count":state["count"]+1}
+
+def node_b(state:State):
+    print(f'[Node B]收到状态：{state}')
+    return {"count":state["count"]+1}
+
+
+# 3. 添加Node到图中
+workflow = StateGraph(State) # 创建画布
+workflow.add_node("A",node_a) # 添加节点A
+workflow.add_node("B",node_b) # 添加节点B
+
+# 4. 用Edge连线
+workflow.add_edge(START,"A") # START -> A
+workflow.add_edge("A","B") # A -> B
+workflow.add_edge("B",END) # B -> END
+
+# 编译成可运行应用
+app = workflow.compile()
+
+# 传入初始状态，执行工作流
+print("---开始执行---")
+result = app.invoke({"count":1})
+print("最终状态:",result) # 输出{'count':4}
+
+
+# 保存可视化架构图
+with open('01_workflow.png', 'wb') as f:
+    f.write(app.get_graph().draw_mermaid_png())
+print("图表已保存为 01_workflow.png")
@@ -0,0 +1,51 @@
+# pip install --pre -U langchain langchain-openai
+from dotenv import load_dotenv
+import os
+
+
+load_dotenv()
+langchain_api_key = os.getenv("LANGCHAIN_API_KEY")
+
+
+from typing import TypedDict
+from langgraph.graph import StateGraph,END,START
+
+
+os.environ["LANGCHAIN_TRACING_V2"] = "true" # 总开关，决定启用追踪功能
+os.environ["LANGCHAIN_PROJECT"] = "my_demo" # 自定义项目名
+os.environ["LANGCHAIN_API_KEY"] = langchain_api_key
+
+
+# 1. 定义State(状态) -- 白板上只有一个字段"count"
+class State(TypedDict):
+    count:int
+
+# 2. 编写Node(节点) -- 两个"工人"
+def node_a(state:State):
+    # 接收当前State状态，返回要更新的部分
+    print(f'[Node A]收到状态：{state}')
+    return {"count":state["count"]+1}
+
+def node_b(state:State):
+    print(f'[Node B]收到状态：{state}')
+    return {"count":state["count"]+1}
+
+
+# 3. 添加Node到图中
+workflow = StateGraph(State) # 创建画布
+workflow.add_node("A",node_a) # 添加节点A
+workflow.add_node("B",node_b) # 添加节点B
+
+# 4. 用Edge连线
+workflow.add_edge(START,"A") # START -> A
+workflow.add_edge("A","B") # A -> B
+workflow.add_edge("B",END) # B -> END
+
+# 编译成可运行应用
+app = workflow.compile()
+
+# 传入初始状态，执行工作流
+print("---开始执行---")
+result = app.invoke({"count":1})
+print("最终状态:",result) # 输出{'count':4}
+
@@ -0,0 +1,87 @@
+from dotenv import load_dotenv
+import os
+
+
+load_dotenv()
+api_key = os.getenv("OPENAI_API_KEY")
+langchain_api_key = os.getenv("LANGCHAIN_API_KEY")
+
+from langchain.schema import HumanMessage
+from langchain.tools import tool
+from langchain_openai import ChatOpenAI
+from langgraph.graph import StateGraph, MessagesState, END,START
+from langgraph.prebuilt import ToolNode
+
+os.environ["LANGCHAIN_TRACING_V2"] = "true" # 总开关，决定启用追踪功能
+os.environ["LANGCHAIN_PROJECT"] = "demo01" # 自定义项目名
+os.environ["LANGCHAIN_API_KEY"] = langchain_api_key
+
+# LLM配置
+llm = ChatOpenAI(
+    model="deepseek-chat",
+    api_key=api_key,
+    base_url="https://api.deepseek.com"
+)
+
+# 工具定义
+@tool
+def get_weather(loaction):
+    """模拟获取天气"""
+    return f'{loaction}当前天气：23℃，晴，风力2级'
+
+
+tools = [get_weather]
+llm_with_tools = llm.bind_tools(tools) # 让llm学会调用工具节点
+
+
+# --- 核心组件:拆解AgentExecutor ---
+# ReAct Step1:Thought(LLM决策)
+def call_model(state:MessagesState):
+    response = llm_with_tools.invoke(state['messages'])
+    return {"messages":[response]} # 新消息追加到状态
+
+
+# ReAct Step2-3:Action + Observation
+tool_node = ToolNode(tools)
+
+# ReAct Step4:Loop Controller(是否循环)
+def should_continue(state:MessagesState):
+    last_msg = state["messages"][-1]
+    if hasattr(last_msg,"tool_calls") and len(last_msg.tool_calls) > 0:
+        return "tools" # 有工具调用 -> 执行工具
+    return END         # 无工具调用 -> 返回答案
+
+
+# --- 构建 ReAct 循环图---
+workflow = StateGraph(MessagesState)
+
+workflow.add_node("agent",call_model) # Thought
+workflow.add_node("tools",tool_node) # Action + Observation
+
+workflow.add_edge(START,"agent")
+
+# 条件边:Thought -> 决定下一步
+workflow.add_conditional_edges(
+    "agent", # 从哪个节点出发
+    should_continue, # 决定下一步去哪
+    {
+        "tools":"tools", # 如果返回tools，去tools节点
+        END:END          # 如果返回END，直接结束工作流
+    }
+)
+
+workflow.add_edge("tools","agent")
+
+app = workflow.compile()
+
+if __name__ == '__main__':
+    # 触发工具
+    result = app.invoke(
+        {"messages":[
+            HumanMessage(content="北京天气如何?")
+        ]}
+    )
+    print('工具调用结果:',result['messages'][-1].content)
+    # 不触发工具
+    result = app.invoke({"messages":HumanMessage(content="你好")})
+    print('直接回答:',result['messages'][-1].content)
@@ -0,0 +1,113 @@
+from dotenv import load_dotenv
+import os
+
+load_dotenv()
+api_key = os.getenv("OPENAI_API_KEY")
+langchain_api_key = os.getenv("LANGCHAIN_API_KEY")
+
+from langchain.schema import HumanMessage
+from langchain.tools import tool
+from langchain_openai import ChatOpenAI
+from langgraph.graph import StateGraph, MessagesState, END,START
+from langgraph.prebuilt import ToolNode
+from langchain_core.messages import SystemMessage
+from langgraph.checkpoint.memory import MemorySaver
+
+os.environ["LANGCHAIN_TRACING_V2"] = "true" # 总开关，决定启用追踪功能
+os.environ["LANGCHAIN_PROJECT"] = "demo02" # 自定义项目名
+os.environ["LANGCHAIN_API_KEY"] = langchain_api_key
+
+# LLM配置
+llm = ChatOpenAI(
+    model="deepseek-chat",
+    api_key=api_key,
+    base_url="https://api.deepseek.com"
+)
+
+# Prompt配置
+sys_prompt = "你是一个强大的助手，能查天气，也能回答一般问题。请使用中文回答。"
+
+# 工具定义
+@tool
+def get_weather(loaction):
+    """模拟获取天气"""
+    return f'{loaction}当前天气：23℃，晴，风力2级'
+
+
+tools = [get_weather]
+llm_with_tools = llm.bind_tools(tools) # 让llm学会调用工具节点
+
+
+# --- 核心组件:拆解AgentExecutor ---
+# ReAct Step1:Thought(LLM决策)
+def call_model(state:MessagesState):
+    # 构造带system prompt 的完整消息列表(仅用于本次LLM调用)
+    message_for_llm = [SystemMessage(content=sys_prompt)]+state["messages"]
+    response = llm_with_tools.invoke(message_for_llm)
+    # 此处只会返回新生成的消息，不包含prompt，防止污染历史
+    return {"messages":[response]} # 新消息追加到状态
+
+
+# ReAct Step2-3:Action + Observation
+tool_node = ToolNode(tools)
+
+# ReAct Step4:Loop Controller(是否循环)
+def should_continue(state:MessagesState):
+    last_msg = state["messages"][-1]
+    if hasattr(last_msg,"tool_calls") and len(last_msg.tool_calls) > 0:
+        return "tools" # 有工具调用 -> 执行工具
+    return END         # 无工具调用 -> 返回答案
+
+
+# --- 构建 ReAct 循环图---
+workflow = StateGraph(MessagesState)
+
+workflow.add_node("agent",call_model) # Thought
+workflow.add_node("tools",tool_node) # Action + Observation
+
+workflow.add_edge(START,"agent")
+
+# 条件边:Thought -> 决定下一步
+workflow.add_conditional_edges(
+    "agent", # 从哪个节点出发
+    should_continue, # 决定下一步去哪
+    {
+        "tools":"tools", # 如果返回tools，去tools节点
+        END:END          # 如果返回END，直接结束工作流
+    }
+)
+
+workflow.add_edge("tools","agent")
+
+
+
+
+
+# 编译时启用记忆
+app = workflow.compile(checkpointer=MemorySaver())
+
+
+
+if __name__ == '__main__':
+    session_id = "user123"
+    config = {
+        "configurable":{"thread_id":session_id}
+    }
+    while 1:
+        user_input = input('\n你：')
+        if user_input.strip().lower() == 'quit':
+            break
+
+        result = app.invoke(
+            {'messages':[HumanMessage(content=user_input)]},
+            config=config
+        )
+
+        ai_msg = result["messages"][-1]
+        print(f'AI：{ai_msg.content}')
+
+
+
+
+
+
@@ -0,0 +1,101 @@
+# 🧩 模块说明：LangGraph 基础篇 - 从状态机到智能 Agent
+
+> 📌 核心知识点：StateGraph 基础结构｜MessagesState 对话状态｜ToolNode 工具执行｜条件路由｜MemorySaver 记忆｜System Prompt 无污染注入｜LangSmith 追踪
+
+---
+
+### 1. `01_state_node_edge.py` （LangGraph 最小状态机）
+
+演示 LangGraph 最基础的三要素：State（状态）、Node（节点）、Edge（边）。
+
+- ✅ 掌握点：
+  - 定义 `TypedDict` 作为状态（如 `{"count": int}`）。
+  - 编写节点函数（`node_a`, `node_b`）处理状态并返回更新。
+  - 使用 `add_edge(START, "A")`、`add_edge("A", "B")` 构建线性流程。
+  - 调用 `app.get_graph().draw_mermaid_png()` 生成可视化流程图。
+
+- 输出：
+  - 控制台打印状态变化过程。
+  - 生成 `01_workflow.png` 流程图。
+
+> 💡 此脚本**不涉及 LLM 或对话**，仅用于理解 LangGraph 底层机制。
+
+---
+
+### 2. `01_workflow.png` （状态机流程图）
+
+由 `01_state_node_edge.py` 自动生成的 Mermaid 可视化图。
+
+- 内容：
+  - 展示 `START → A → B → END` 的线性执行流。
+  - 节点 `A` 和 `B` 各将 `count` 加 1。
+- 作用：
+  - 直观理解 LangGraph 的“图”本质。
+  - 为后续复杂控制流（如循环、分支）打下认知基础。
+
+---
+
+### 3. `02_langsmith_trace.py` （状态机 + LangSmith 追踪）
+
+在 `01` 的基础上启用 LangSmith，实现执行过程可视化追踪。
+
+- ✅ 掌握点：
+  - 设置环境变量：`LANGCHAIN_TRACING_V2=true`、`LANGCHAIN_PROJECT="my_demo"`。
+  - 无需修改节点逻辑，自动上报每一步状态变更。
+  - 在 [LangSmith UI](https://smith.langchain.com) 查看执行轨迹。
+
+- 注意：
+  - 仍是一个**纯状态机示例**（count +1 +1），**非对话 Agent**。
+  - 用于验证 LangSmith 集成是否生效。
+
+---
+
+### 4. `03_conditional_router.py` （首个 ReAct Agent：无记忆）
+
+构建第一个真正意义上的 LangGraph Agent：支持工具调用与条件循环。
+
+- ✅ 掌握点：
+  - 使用 `MessagesState` 管理对话历史。
+  - 定义 `@tool def get_weather(location)` 并绑定到 LLM。
+  - 实现 `should_continue` 函数判断是否需调用工具。
+  - 构建 `agent → (条件) → tools → agent` 的 ReAct 循环。
+  - 通过 `app.invoke({"messages": [...]})` 触发执行。
+
+- 效果：
+  - 输入“北京天气如何？” → 调用工具 → 返回天气。
+  - 输入“你好” → 直接回答，不触发工具。
+- 局限：
+  - **无记忆**：每次 `invoke` 都是独立会话。
+
+---
+
+### 5. `04_agent_with_memory.py` （完整 Agent：带记忆 + 系统提示）
+
+在 `03` 基础上升级为生产级 Agent 范式。
+
+- ✅ 掌握点：
+  - 启用 `MemorySaver()` 实现跨轮次记忆（`checkpointer=MemorySaver()`）。
+  - 通过 `config={"configurable": {"thread_id": "user123"}}` 绑定会话。
+  - 在 `call_model` 中动态注入 `SystemMessage(content=sys_prompt)`，**但不写入 state**，避免污染历史。
+  - 保留 LangSmith 追踪能力。
+
+- 效果：
+  - 支持连续对话（如“查北京天气” → “那上海呢？”）。
+  - 系统指令始终生效，但不会出现在消息历史中。
+  - 全流程可追踪、可调试。
+
+---
+
+### 🔔 全局注意事项
+
+- **学习路径建议**：  
+  `01`（理解图） → `02`（理解追踪） → `03`（理解 ReAct） → `04`（理解记忆+prompt）
+- 所有 `.py` 文件均依赖 `.env` 中的 `OPENAI_API_KEY` 和 `LANGCHAIN_API_KEY`。
+- 若想复用你的 RAG 工具，只需将 `get_weather` 替换为 `search_war_and_peace`，其余逻辑不变。
+- `01_workflow.png` 仅反映 `01_state_node_edge.py` 的简单线性流，**不代表 Agent 结构**。
+
+---
+
+### 💡 **建议**
+
+先运行 `01` 和 `02` 理解 LangGraph 底层机制，再重点掌握 `03` 和 `04` —— 它们构成了后续所有进阶 Agent（多工具、人工干预、自定义状态等）的**标准范式**。