langgraph快速开始

构建支持聊天机器人：从基础到高级功能

概述

在本教程中，我们将使用 LangGraph 构建一个支持聊天机器人，具备以下功能：

✅ 通过搜索网络回答常见问题
✅ 在多次调用中维护对话状态
✅ 将复杂查询路由给人工审核
✅ 使用自定义状态控制行为
✅ 回滚并探索替代对话路径

我们将从一个基础聊天机器人开始，逐步添加更复杂的功能，并在此过程中介绍 LangGraph 的核心概念。让我们开始吧！ 🌟

环境设置

首先，安装所需的包并配置环境：

python
%%capture --no-stderr
%pip install -U langgraph langsmith langchain_anthropic

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")

设置 LangSmith
注册 LangSmith 以快速发现问题并优化 LangGraph 项目的性能。LangSmith 允许你使用跟踪数据调试、测试和监控基于 LangGraph 构建的 LLM 应用。

第一部分：构建基础聊天机器人

我们将首先使用 LangGraph 创建一个简单的聊天机器人。这个机器人将直接响应用户消息。虽然简单，但它将展示使用 LangGraph 构建应用的核心概念。

步骤 1：创建 StateGraph
StateGraph 对象定义了聊天机器人作为“状态机”的结构。我们将添加节点来表示 LLM 和机器人可以调用的函数，并添加边来指定机器人如何在函数之间转换。

python
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: Annotated[list, add_messages]

graph_builder = StateGraph(State)

步骤 2：添加聊天机器人节点
节点代表工作单元，通常是普通的 Python 函数。

python
from langchain_anthropic import ChatAnthropic

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

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

graph_builder.add_node("chatbot", chatbot)

步骤 3：添加入口点和结束点
入口点告诉图每次运行时从哪里开始，结束点指示图何时可以退出。

python
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)

步骤 4：编译并运行图
调用 compile() 方法创建 CompiledGraph，然后使用 invoke 运行。

python
graph = graph_builder.compile()

步骤 5：可视化图
使用 get_graph 方法可视化图。

python
from IPython.display import Image, display

try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    pass

步骤 6：运行聊天机器人
通过循环与用户交互，运行聊天机器人。

python
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:
        user_input = "What do you know about LangGraph?"
        print("User: " + user_input)
        stream_graph_updates(user_input)
        break

恭喜！ 你已经使用 LangGraph 构建了第一个聊天机器人。这个机器人可以通过 LLM 生成响应与用户进行基本对话。

第二部分：增强聊天机器人功能

为了让机器人回答更多问题，我们将集成一个网络搜索工具。

步骤 1：安装依赖并设置 API 密钥

python
%%capture --no-stderr
%pip install -U tavily-python langchain_community
_set_env("TAVILY_API_KEY")

步骤 2：定义搜索工具

python
from langchain_community.tools.tavily_search import TavilySearchResults

tool = TavilySearchResults(max_results=2)
tools = [tool]
tool.invoke("What's a 'node' in LangGraph?")

步骤 3：更新图定义
在 LLM 上绑定工具，让 LLM 知道如何使用搜索工具。

python
llm_with_tools = llm.bind_tools(tools)

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

graph_builder.add_node("chatbot", chatbot)

步骤 4：运行增强版聊天机器人
现在，机器人可以使用搜索工具回答更多问题。

第三部分：添加高级功能

我们将进一步扩展聊天机器人的功能，包括：

维护对话状态：在多次调用中保留上下文。
路由复杂查询：将复杂问题路由给人工审核。
自定义状态控制：使用自定义状态控制机器人行为。
回滚和探索：支持回滚并探索替代对话路径。

总结

通过本教程，你学会了如何使用 LangGraph 构建一个支持聊天机器人，并逐步添加高级功能。LangGraph 的强大功能使得构建复杂的 AI 应用变得更加简单和灵活。继续探索 LangGraph 的更多功能，构建更强大的应用吧！

下一步

探索 LangGraph 服务器快速入门。
部署你的 LangGraph 应用到 LangGraph Cloud。
深入学习 LangGraph 概念和操作指南。

目录

构建支持聊天机器人：从基础到高级功能

概述

环境设置

第一部分：构建基础聊天机器人

第二部分：增强聊天机器人功能

第三部分：添加高级功能

总结