opc_agent/agent-craft
3
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

2025.11.12

Browse Source
This commit is contained in:
2287551746@qq.com
2025-11-12 11:07:54 +08:00
parent a5f9a900cd
commit 9194a02ae9
9 changed files with 414 additions and 7 deletions
Download Patch File Download Diff File Expand all files Collapse all files
.env.example
+4
View File
@@ -1 +1,5 @@
# LLM密钥
OPENAI_API_KEY=your_openai_api_key
# LangSmith 相关配置(用于调试/监控Langgraph流程) -- 未用到可暂时不更改
LANGCHAIN_API_KEY=your_langsmith_api_key
08_langgraph_basics/01_state_node_edge.py
+42
View File
@@ -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")
08_langgraph_basics/01_workflow.png
BIN
View File
Binary file not shown.
Side by Side

After

Width:  |  Height:  |  Size: 4.8 KiB

08_langgraph_basics/02_langsmith_trace.py
+51
View File
@@ -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}
08_langgraph_basics/03_conditional_router.py
+87
View File
@@ -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)
08_langgraph_basics/04_agent_with_memory.py
+113
View File
@@ -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}')
08_langgraph_basics/README.md
+101
View File
@@ -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**。
README.md
+13 -6
View File
@@ -21,7 +21,7 @@
## 🧭 模块总览（16 模块）
> 💡 每个模块对应独立目录（含代码、说明与示例），可独立运行与学习。
> 🔥 已更新至 07 Rag 进阶篇，持续更新中！
> 🔥 已更新至 08 LangGraph 基础篇，持续更新中！
| 章节 | 模块 | 博客 | 核心关键词 | 难度 |
|:-----------:|:--------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------:|:----------------------------------------------------|:-----:|
@@ -32,8 +32,8 @@
| | [05 LangChain 进阶篇](https://github.com/Annyfee/agent-craft/tree/main/05_langchain_advanced) | [🏠](https://blog.csdn.net/2401_87328929/article/details/154064397) | Agents · 缓存 · 流式输出 | ⭐⭐⭐ |
| | [06 RAG 基础篇](https://github.com/Annyfee/agent-craft/tree/main/06_rag_basics) | [🏠](https://blog.csdn.net/2401_87328929/article/details/154230067) | RAG概念 · Split · Embedding · FAISS · RAG 链 | ⭐⭐ |
| | [07 RAG 进阶篇](https://github.com/Annyfee/agent-craft/tree/main/07_rag_advanced) | [🏠](https://blog.csdn.net/2401_87328929/article/details/154408744) | Chroma · Reranker · RAG工具化 · 集成 | ⭐⭐⭐ |
| | 08 LangGraph 基础篇 | 🚧撰写中 | `State` · `Node` · `Conditional Edge` · RAG+反思 | ⭐⭐⭐ |
| | 09 LangGraph 进阶篇 | 🚧 | `Multi-Agent` · `Human-in-the-Loop` · “总控-员工”架构 | ⭐⭐⭐⭐ |
| | [08 LangGraph 基础篇]() | [🏠](https://blog.csdn.net/2401_87328929/article/details/154576812) | Langgraph三要素 · LangSmith · ReAct · 提示词安全注入 | ⭐⭐⭐ |
| | 09 LangGraph 进阶篇 | 🚧撰写中 | `Multi-Agent` · `Human-in-the-Loop` · “总控-员工”架构 | ⭐⭐⭐⭐ |
| 🧠 **智能篇** | 10 MCP 基础 (Client) | 🚧 | `MCP` 协议 · `CherryStudio` · 消费公共 MCP | ⭐⭐⭐ |
| | 11 MCP 进阶 (Server) | 🚧 | `Streamable HTTP` · `src layout` · 构建私有 MCP | ⭐⭐⭐⭐ |
| | 12 Swarm & Agents SDK | 🚧 | `Swarm` · `Handoff` · “航空公司客服”项目 | ⭐⭐⭐⭐ |
@@ -46,7 +46,7 @@
## 🧩 当前学习建议（适用于已完成模块）
目前已开放模块：**01 ~ 07**。
目前已开放模块：**01 ~ 08**。
建议按顺序学习，每一章都有完整代码示例与注释。
### ✅ 模块 01 — Agent 入门 & 环境搭建
@@ -84,7 +84,12 @@
- **目标**：学会进阶的Chroma向量数据库，会Reranker精排序，最终将04到07所学的Langchain六大模块完整集成。
- **内容**：Chroma 持久化 | Reranker 精排 | RAG 工具化 | Langchain六大模块集成
> 📌 后续模块将陆续开放（LangGraph、MCP、多智能体等）
### ✅ 模块 08 — LangGraph 基础篇
- **目标**：懂得Langgraph的三要素，会使用LangSmith调试当前agent，并能自己写一个简单的Langgraph流程。
- **内容**：Langgraph核心三要素｜ReAct循环白盒化实现 | LangSmith调试追踪 | 持久化记忆 | 提示词安全注入
> 📌 后续模块将陆续开放（MCP、多智能体、Streamlit等）
---
@@ -129,9 +134,11 @@ cp .env.example .env
```env
OPENAI_API_KEY=your_deepseek_api_key_here
LANGCHAIN_API_KEY=your_langsmith_api_key
```
> 💡 **获取API Key**: 访问 [DeepSeek官网](https://platform.deepseek.com/) 注册并获取API Key
> 💡 **获取API Key**: 访问 [DeepSeek官网](https://platform.deepseek.com/)、[LangSmith官网](https://smith.langchain.com/)
> 注册并获取API Key
### 3️⃣ 运行示例
requirements.txt
+2
View File
@@ -4,6 +4,8 @@ requests~=2.32.4
langchain~=0.2.16
langchain-community~=0.2.16
langchain-openai~=0.1.15
langchain-core~=0.2.38
langgraph~=0.2.0
langchain-huggingface==0.0.3
langchain-chroma==0.1.1
chromadb==0.4.22