LangGraph--Agent工作流

 Agent的工作流

下面展示了如何创建一个“计划并执行”风格的代理。 这在很大程度上借鉴了 计划和解决 论文以及Baby-AGI项目。
核心思想是先制定一个多步骤计划，然后逐项执行。完成一项特定任务后，您可以重新审视计划并根据需要进行修改。
般的计算图如下所示

这与典型的 ReAct 风格的代理进行了比较，在该代理中，您一次思考一步。 这种“计划并执行”风格代理的优势在于
1.明确的长期规划(即使是真正强大的 LLM 也可能难以做到)
2.能够使用更小/更弱的模型来执行步骤，仅在规划步骤中使用更大/更好的模型以下演练演示了如何在 LangGraph 中实现这一点。

根据langgraph搭建一个智能体的工作流，具体如下：

 执行结果如下：

使用LANGSMITH进行数据跟踪，这个需要你注册登录获取key，就可以查看了，我使用的是deepseek，充了钱了，没免费的了。

 源码如下：

TAVILY_API_KEY = "xxxx"# 使用你自己的key
LANGCHAIN_TRACING_V2 = "true"
DEEPSEEK_API_KEY = "xxxx" # 使用你自己的keyLANGSMITH_TRACING="true"
LANGSMITH_ENDPOINT="https://api.smith.langchain.com"
LANGSMITH_API_KEY="xxxx"# 使用你自己的key
LANGSMITH_PROJECT="pr-glossy-analogue-76"import os
os.environ["DEEPSEEK_API_KEY"] = DEEPSEEK_API_KEY
os.environ["TAVILY_API_KEY"] = TAVILY_API_KEY
os.environ["LANGCHAIN_TRACING_V2"] = LANGCHAIN_TRACING_V2
os.environ["LANGSMITH_TRACING"] = LANGSMITH_TRACING
os.environ["LANGSMITH_ENDPOINT"] = LANGSMITH_ENDPOINT
os.environ["LANGSMITH_API_KEY"] = LANGSMITH_API_KEYDEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")# 导入tavily的搜索功能
from langchain_community.tools.tavily_search import TavilySearchResults
# 创建TavilySearchResults工具，设置最大结果数为1
tools = [TavilySearchResults(max_results = 1)]
from langchain import hub
from langchain_openai import ChatOpenAIfrom langchain_deepseek import ChatDeepSeek
import asyncio
from langgraph.prebuilt import create_react_agent# 从langchain的hub获取prompt的模板，可以进行修改 "mintyflinter/best-chatbot", include_model=True
# prompt = hub.pull("wfh/react-agent-executor") # 会报错，官方的api的参数改变了，所以需要修改为下面的
prompt = hub.pull("zhang1career/react-agent-executor")
prompt.pretty_print()# 选择大模型
# Model
llm = ChatDeepSeek(model="deepseek-chat",api_key=DEEPSEEK_API_KEY,#base_url="https://api.deepseek.com",#temperature=0.0
)agent_executor = create_react_agent(llm, tools,prompt=prompt)
#agent_executor.invoke({"input":[("user", "谁是美国公开赛的获胜者？")]}) # 这种方法调用会报错# 正确调用方式
# response = agent_executor.invoke({"input": "谁是美国公开赛的获胜者？"})
# print(response["messages"])import operator
from typing import Annotated, List, Tuple, TypedDict,Literal# 定义一个TYpeDict类 PlanExecute , 用于存储输入、计划、过去的步骤和响应
class PlanExecute(TypedDict):input: strplan:List[str]past_steps:Annotated[List[Tuple], operator.add]response:strfrom pydantic import BaseModel, Field
# 定义一个plan模型类， 用于描述未来要执行的计划
class Plan(BaseModel):"""未来要执行的计划"""steps:List[str] = Field(description="需要执行的不同步骤，应该按顺序排列")from langchain_core.prompts import ChatPromptTemplate# 创建一个计划生成的提示模板
planner_prompt = ChatPromptTemplate.from_messages([("system","""对于给定的目标，提出一个简单的逐步计划。这个计划应该包含独立的任务，如果正确执行将得出正确答案，不要添加任何多余的步骤，最后一步的结果应该是最终答案。确保每一步都有所有必要的信息 - 不要跳过步骤。"""),("placeholder","{messages}")]
)
# 使用指定的提示词模板创建一个计划生成器，使用deepseek模型
planner = planner_prompt|ChatDeepSeek(model="deepseek-chat",api_key=DEEPSEEK_API_KEY,#base_url="https://api.deepseek.com",# temperature=0.0
).with_structured_output(Plan)#planner.invoke({"messages":[("user", "现任澳网冠军的家乡是哪里？")]})from typing import Union# 定义一个响应模型类，用于描述用户的响应
class Response(BaseModel):"""用户响应"""response: str# 定义 一个行为模型类，用于描述要执行的行为，该类继承自BaseModel
# 类中有一个属性action， 类型为Union[Response, Plan],表示可以是Responese 或Plan的类型
# action 属性的描述为: 要执行的行为，如果要回应用户，使用Response: 如果需要进一步使用工具获取答案，使用plan
class Act(BaseModel):"""要执行的行为"""action: Union[Response,Plan] = Field(description="要执行的行为， 如果要回应用户，使用Response，如果需要进一步使用工具获取答案，使用Plan。")replanner_prompt = ChatPromptTemplate.from_template("""对于给定的目标，提出一个简单的逐步计划。这个计划应该包含独立的任务，如果正确执行将得出正确答案，不要添加任何多余的步骤，最后一步的结果应该是最终答案。确保每一步都有所有必要的信息 - 你的目标是：{input}你的原计划是：{plan}你目前已完成的步骤是：{past_steps}相应的更新你的计划，如果不需要更多的步骤并且可以返回给用户，那么就这样响应。如果需要，填写计划。只添加仍然需要完成的步骤，不要返回已完成的步骤""")   # 使用指定的提示模板创建一个重新计划生成器，使用deepseek
replanner = replanner_prompt|ChatDeepSeek(model="deepseek-chat",api_key=DEEPSEEK_API_KEY,#base_url="https://api.deepseek.com",# temperature=0.0
).with_structured_output(Act)# 定义一个异步函数
async def main():# 定义一个异步函数，用于生成计划步骤async def plan_step(state: PlanExecute):plan = await planner.ainvoke({"messages": [("user", state["input"])]})return {"plan": plan.steps}# 定义一个异步函数执行步骤async def execute_step(state: PlanExecute):plan = state["plan"]plan_str = "\n".join(f"{i+1}.{step}" for i, step in enumerate(plan))task = plan[0]task_formatted = f"""对于一下计划:{plan_str}\n\n你的任务执行第{1}步，{task}."""agent_response = await agent_executor.ainvoke({"messages":[("user", task_formatted)]})return {"past_steps": state["past_steps"]+[(task, agent_response["messages"][-1].content)]}# 定义一个异步函数，用于重新计划步骤async def replan_step(state: PlanExecute):output = await replanner.ainvoke(state)if isinstance(output.action, Response):return {"response": output.action.response}else:return {"plan":output.action.steps}# 定义一个函数用于判断是否结束def should_end(state: PlanExecute)->Literal["agent","__end__"]:if("response" in state and state["response"]):return "__end__"else:return "agent"from langgraph.graph import StateGraph, START# 创建一个状态图，初始化PlanEexecuteworkflow = StateGraph(PlanExecute)# 添加计划节点workflow.add_node("planner",plan_step)# 添加执行步骤节点workflow.add_node("agent", execute_step)# 重新计划节点workflow.add_node("replan", replan_step)# 从开始到计划节点的边workflow.add_edge(START, "planner")# 设置从计划到代理节点的边workflow.add_edge("planner", "agent")# 设置从代理到重新计划节点的边workflow.add_edge("agent","replan")# 添加条件边，用于判断下一步操作workflow.add_conditional_edges("replan",should_end,)app = workflow.compile()graph_png = app.get_graph().draw_mermaid_png()with open("agent_workflow.png", "wb") as f:f.write(graph_png)# 设置配置，递归限制为50次config = {"recursion_limit":50}inputs = {"input":"2024年巴黎奥运会100米自由泳赛冠军的家乡是哪里？请用中文回答"}async for event in app.astream(inputs, config=config):for k,v in event.items():if k!="__end__":print(v)asyncio.run(main())