LangGraph官方文档笔记——1.构建一个基础聊天机器人

目录

• LangGraph介绍
• 官方资料
• 环境配置
• 看官方的示例
• 快速开始demo——基础聊天机器人
  • 1.设置环境变量
  • 2.创建State类
  • 3.创建langgraph图
  • 4.创建LLM和聊天chatbot函数
  • 5.向图添加节点和边，然后编译
  • 6.可视化编译的图
  • 7.创建连续聊天流
  • 8.实现多轮对话
• 完整代码

---

在本节，我们会先跑通官方的demo，即创建一个简单的聊天机器人，这个聊天机器人将直接响应用户的消息。通过这种方式来快速掌握langgraph基本流程，同时介绍关键的 LangGraph 概念。在之后的章节会逐步添加更复杂的功能，让我们开始吧！

LangGraph介绍

LangGraph是基于LangChain的智能体编排框架，它将 Agent 系统建模设计为(有向图)流程图，每个节点表示一个计算步骤进行状态的更新，每条边表示状态转移路径，适合处理复杂流程或多Agent 协作系统。

官方资料

本节对应的链接：

• LangGraph官方第一部分文档

环境配置

首先，安装依赖包：

pip install -U langgraph langsmith "langchain[anthropic]"

如果实践过程中遇到了一些模块缺失，基本pip install都能解决，在环境依赖上我实践下来并没有遇到坑。

看官方的示例

无论如何，先把这一章节的完整官方代码copy下来，看看做了什么事情：

import getpass
import os

def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")

_set_env("ANTHROPIC_API_KEY")

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

class State(TypedDict):
    # Messages have the type "list". The `add_messages` function
    # in the annotation defines how this state key should be updated
    # (in this case, it appends messages to the list, rather than overwriting them)
    messages: Annotated[list, add_messages]

graph_builder = StateGraph(State)

from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")

def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}

# The first argument is the unique node name
# The second argument is the function or object that will be called whenever
# the node is used.
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)
graph = graph_builder.compile()

from IPython.display import Image, display

try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    # This requires some extra dependencies and is optional
    pass

def stream_graph_updates(user_input: str):
    for event in graph.stream({"messages": [{"role": "user", "content": user_input}]}):
        for value in event.values():
            print("Assistant:", value["messages"][-1].content)

while True:
    try:
        user_input = input("User: ")
        if user_input.lower() in ["quit", "exit", "q"]:
            print("Goodbye!")
            break

        stream_graph_updates(user_input)
    except:
        # fallback if input() is not available
        user_input = "What do you know about LangGraph?"
        print("User: " + user_input)
        stream_graph_updates(user_input)
        break

可以看到，这段代码做了以下事情：

1. 设置环境变量：（环境变量名为ANTHROPIC_API_KEY）
2. 创建State类，即状态（继承自TypedDict，定义为字典类型）
3. 创建langgraph的图（StateGraph根据用户定义的 State构建图）
4. 创建大语言模型LLM和聊天chatbot函数（chatbot函数接受状态State返回更新后的状态）
5. 向图添加节点和边，然后编译（START表示将用户输入发送到图的节点，END是终止节点）
6. 使用Image, display可视化编译的图（不影响功能）
7. 创建stream_graph_updates方法用于连续聊天流
8. while实现多轮对话

如果没有完全看懂也没关系，了解基本流程即可，接下来的实践中会把以上步骤进行拆解。

快速开始demo——基础聊天机器人

1.设置环境变量

国外的教程和文档里使用的大语言模型API KEY因为各种原因很难获取，对国内开发者不太友好。但好在咱们国内的云服务商在云端已部署好大模型服务，并且很多都兼容OPENAI接口，还提供了一定的免费额度，足够咱们学习使用。这里我使用的是火山方舟的"doubao-1-5-pro-32k-250115"模型。

import os
#设置为你的API_KEY
os.environ['ARK_API_KEY'] = 'YOUR_API_KEY'

这里我选择直接os.environ设置环境变量，并且之后的文章也是这样直接设置。你也可以选择用官方的，这样需要在运行时输入你的API_KEY即可。

2.创建State类

在定义一个图时，第一步是定义其状态。在示例中，状态是一个字典，字典的键为messages,值是一个装有对话消息的列表（习惯叫消息列表）。使用了add_messages函数来追加新消息到列表中，而不是覆盖它。

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

class State(TypedDict):
    # Messages have the type "list". The `add_messages` function
    # in the annotation defines how this state key should be updated
    # (in this case, it appends messages to the list, rather than overwriting them)
    messages: Annotated[list, add_messages]

Annotated：允许为类型添加元数据（如验证函数、处理逻辑）。

TypedDict：创建带有类型注解的字典，允许你定义字典的键及其对应值的类。

add_messages：将 LLM 的响应消息附加到状态中已有的任何消息之后。参考add_messages文档

3.创建langgraph图

graph_builder = StateGraph(State)

我们根据定义的State创建了langgraph的图，这个图之后会添加节点和有向边，来流程性地处理任务。

StateGraph文档

4.创建LLM和聊天chatbot函数

接下来，添加一个“聊天机器人”节点。节点代表工作单元，它们通常是常规的 Python 函数，接受状态，更新状态，返回状态。

注意这里我用的是兼容openai接口的豆包大模型，你需要去官网获取你专属的API_KEY。

from langchain_openai import ChatOpenAI
# 实际请以官方文档为准
llm = ChatOpenAI(
    base_url="https://ark.cn-beijing.volces.com/api/v3",
    api_key=os.environ.get("ARK_API_KEY"),
    model="doubao-1-5-pro-32k-250115"  # 根据实际模型名称修改
)

def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}

我们定义的 State 中的 add_messages 函数会将大语言模型（LLM）的响应消息追加到状态中已有的消息列表后面(即更新后的状态)。

5.向图添加节点和边，然后编译

接下来，先把我们的节点添加进去，然后添加边。START是入口点，这告诉我们的图在每次运行时"从哪里开始工作"。END是终止点，这指示图"每次运行此节点时，都可以退出"。

graph_builder.add_node("chatbot", chatbot)
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)
graph = graph_builder.compile()

最后，我们需要能够运行我们的图。为此，调用图构建器上的"compile()"方法。这会创建一个我们可以用来调用状态的"CompiledGraph"。

6.可视化编译的图

你可以使用get_graph方法和其中一种“绘制”方法（如draw_ascii或draw_png）来可视化图形。每种draw方法都需要额外的依赖项。

from IPython.display import Image, display
try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    # This requires some extra dependencies and is optional
    pass

这部分我没能可视化成功，感觉是网络问题。报错如下：

ValueError: Failed to reach https://mermaid.ink/ API while trying to render your graph after 1 retries.

7.创建连续聊天流

def stream_graph_updates(user_input: str):
    for event in graph.stream({"messages": [{"role": "user", "content": user_input}]}):
        for value in event.values():
            print("Assistant:", value["messages"][-1].content)

graph.stream 方法用于将用户的输入流过图，在图中处理并返回生成的事件。事件包含了聊天历史更新后的状态。value["messages"][-1].content即聊天机器人最新的回复。

8.实现多轮对话

while True:
    try:
        user_input = input("User: ")
        if user_input.lower() in ["quit", "exit", "q"]:#输入"quit"、"exit"或"q"来退出聊天循环。
            print("Goodbye!")
            break

        stream_graph_updates(user_input)
    except:
        # fallback if input() is not available
        user_input = "一句话介绍langchain和LangGraph"
        print("User: " + user_input)
        stream_graph_updates(user_input)
        break

恭喜！ 您已经使用LangGraph构建了自己的第一个聊天机器人。此机器人可以通过接收用户输入并利用LLM生成响应来参与基本对话。

完整代码

import os
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain_openai import ChatOpenAI
from IPython.display import Image, display

os.environ['ARK_API_KEY'] = 'YOUR_API_KEY'

class State(TypedDict):
    # Messages have the type "list". The `add_messages` function
    # in the annotation defines how this state key should be updated
    # (in this case, it appends messages to the list, rather than overwriting them)
    messages: Annotated[list, add_messages]

graph_builder = StateGraph(State)

# 实际请以官方文档为准
llm = ChatOpenAI(
    base_url="https://ark.cn-beijing.volces.com/api/v3",
    api_key=os.environ.get("ARK_API_KEY"),  # 替换为你的API密钥
    model="doubao-1-5-pro-32k-250115"  # 根据实际模型名称修改
)

def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}

graph_builder.add_node("chatbot", chatbot)
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)
graph = graph_builder.compile()

try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    # This requires some extra dependencies and is optional
    pass

def stream_graph_updates(user_input: str):
    for event in graph.stream({"messages": [{"role": "user", "content": user_input}]}):
        for value in event.values():
            print("Assistant:", value["messages"][-1].content)

while True:
    try:
        user_input = input("User: ")
        if user_input.lower() in ["quit", "exit", "q"]:
            print("Goodbye!")
            break

        stream_graph_updates(user_input)
    except:
        # fallback if input() is not available
        user_input = "一句话介绍langchain和LangGraph"
        print("User: " + user_input)
        stream_graph_updates(user_input)
        break