什么是 LangGraph？

LangGraph 是由 LangChain 开发的框架，用于管理集成 LLM 的应用程序的控制流。

LangGraph 与 LangChain 有何不同？

LangChain 提供了一个标准接口，用于与模型和其他组件进行交互，这对于检索、LLM 调用和工具调用很有用。LangChain 中的类可以在 LangGraph 中使用，但不是必须使用。

这些包是不同的，可以单独使用，但最终，您在网上找到的所有资源都会将这两个包一起使用。

我应该何时使用 LangGraph？

控制与自由

在设计 AI 应用程序时，您会面临控制与自由之间的根本权衡。

• 自由让您的 LLM 有更多空间进行创造性思考并解决意外问题。
• 控制让您能够确保可预测的行为并维护护栏。

代码代理，例如您在 smolagents 中遇到的那些，非常自由。它们可以在一个动作步骤中调用多个工具，创建自己的工具等等。然而，这种行为可能使它们比使用 JSON 的常规代理更难以预测和控制！

LangGraph 处于另一端，当您需要对代理的执行进行“控制”时，它会大放异彩。

当您需要控制应用程序时，LangGraph 尤其有价值。它为您提供了构建遵循可预测过程的应用程序的工具，同时仍然利用了 LLM 的强大功能。

简单来说，如果您的应用程序涉及一系列需要以特定方式协调的步骤，并且在每个连接点都需要做出决策，那么 LangGraph 提供了您所需的结构。

例如，假设我们要构建一个可以回答某些文档中问题的 LLM 助手。

由于 LLM 最擅长理解文本，因此在能够回答问题之前，您需要将其他复杂的模态（图表、表格）转换为文本。然而，这个选择取决于您拥有的文档类型！

我选择将这种分支表示如下：

💡 提示： 左侧不是代理，因为这里不涉及工具调用。但右侧需要编写一些代码来查询 xls（转换为 pandas 并操作它）。

虽然这种分支是确定性的，但您也可以设计根据 LLM 输出进行条件分支，使其成为不确定性的。

LangGraph 擅长的关键场景包括：

• 需要明确控制流程的多步骤推理过程
• 需要在步骤之间保持状态的应用程序
• 结合确定性逻辑和 AI 功能的系统
• 需要人工干预的工作流
• 具有多个组件协同工作的复杂代理架构

本质上，只要有可能，作为一个人，根据每个动作的输出设计一个动作流程，并相应地决定下一步要执行什么。在这种情况下，LangGraph 是适合您的正确框架！

在我看来，LangGraph 是市场上最成熟的代理框架。

LangGraph 如何工作？

LangGraph 的核心是使用有向图结构来定义应用程序的流程

• 节点代表单独的处理步骤（例如调用 LLM、使用工具或做出决策）。
• 边定义了步骤之间可能的转换。
• 状态由用户定义，并在执行期间在节点之间维护和传递。当决定下一个要定位的节点时，我们查看的就是当前状态。

我们将在下一章中更详细地探讨这些基本模块！

它与普通 Python 有何不同？为什么我需要 LangGraph？

您可能会想：“我可以使用带有 if-else 语句的普通 Python 代码来处理所有这些流程，对吧？”

虽然从技术上讲是这样，但 LangGraph 在构建复杂系统方面提供了一些优势，优于普通的 Python。您可以在没有 LangGraph 的情况下构建相同的应用程序，但它为您提供了更易用的工具和抽象。

它包括状态、可视化、日志（跟踪）、内置的人工干预等。

< > 在 GitHub 上更新