使用 LangGraph 创建工作流

hawk2014bj

已于 2024-11-13 18:52:27 修改

阅读量414

点赞数

CC 4.0 BY-SA版权

分类专栏： LlamaIndex / Langchain 应用落地文章标签： LangChain

于 2024-11-13 18:48:42 首次发布

本文链接：https://blog.csdn.net/hawk2014bj/article/details/143720827

LlamaIndex / Langchain 应用落地专栏收录该内容

13 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

LangGraph 是 LangChain 中的工作流引擎，为什么 LangChain 需要创建工作流，这还是由于大语言模型的应用特点。大语言模型本身不具备业务功能，大语言只能根据提示词进行处理并返回，通常一组对话无法完成一个复杂的任务，需要一步一步的进行处理，根据大语言模型的返回，应用会根据返回做对应的处理，并通过复杂的多轮交互完成一个复杂的任务。Graph 就可以理解为状态机，我们先简单创建一个Graph。

创一个 Graph

一个图中主要包括三个概念，状态、节点和链接边。Graph 有两个特别的节点，START 和 END，START 为开始节点、END 结束节点，Graph可以理解为流程，有开始和结束节点。状态（State）是在每个节点之间进行传递的对象，State 需要进行自定义，是一个普通的 Python 对象，State 有一些预定义的方法，包括 add 和 add_message，add 是添加数据到 List 中，add_messages 是特别为 LLM Messages 用的，

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

了解本专栏