LangGraph-agent-天气助手

用于创建agent和多代理工作流循环（有迭代次数）、可控、持久

安装langgraph包

conda create --name agent python=3.12
conda activate agent
pip install -U langgraph
pip install langchain-openai

设置

windows（>结尾）

setx OPENAI_BASE_URL "https://api.openai.com/v1"
setx OPENAI_API_KEY "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

api_key要去aihubmix上面去找自己的

linux(#结尾)

export OPENAI_BASE_URL="https://api.openai.com/v1"
export OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

#示例：langgraph_hello.py
from typing import Literal
from langchain_core.messages import HumanMessage
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
# pip install langgraph
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import END, StateGraph, MessagesState
from langgraph.prebuilt import ToolNode# 定义工具函数，用于代理调用外部工具
@tool
def search(query: str):"""模拟一个搜索工具"""if "上海" in query.lower() or "Shanghai" in query.lower():return "现在30度，有雾."return "现在是35度，阳光明媚。"# 将工具函数放入工具列表
tools = [search]# 创建工具节点
tool_node = ToolNode(tools)# 1.初始化模型和工具，定义并绑定工具到模型
model = ChatOpenAI(model="gpt-4o", temperature=0).bind_tools(tools)# 定义函数，决定是否继续执行
def should_continue(state: MessagesState) -> Literal["tools", END]:messages = state['messages']last_message = messages[-1]# 如果LLM调用了工具，则转到“tools”节点if last_message.tool_calls:return "tools"# 否则，停止（回复用户）return END# 定义调用模型的函数
def call_model(state: MessagesState):messages = state['messages']response = model.invoke(messages)# 返回列表，因为这将被添加到现有列表中return {"messages": [response]}# 2.用状态初始化图，定义一个新的状态图
workflow = StateGraph(MessagesState)
# 3.定义图节点，定义我们将循环的两个节点
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)# 4.定义入口点和图边
# 设置入口点为“agent”
# 这意味着这是第一个被调用的节点
workflow.set_entry_point("agent")# 添加条件边
workflow.add_conditional_edges(# 首先，定义起始节点。我们使用`agent`。# 这意味着这些边是在调用`agent`节点后采取的。"agent",# 接下来，传递决定下一个调用节点的函数。should_continue,
)# 添加从`tools`到`agent`的普通边。
# 这意味着在调用`tools`后，接下来调用`agent`节点。
workflow.add_edge("tools", 'agent')# 初始化内存以在图运行之间持久化状态
checkpointer = MemorySaver()# 5.编译图
# 这将其编译成一个LangChain可运行对象，
# 这意味着你可以像使用其他可运行对象一样使用它。
# 注意，我们（可选地）在编译图时传递内存
app = workflow.compile(checkpointer=checkpointer)# 6.执行图，使用可运行对象
final_state = app.invoke({"messages": [HumanMessage(content="上海的天气怎么样?")]},config={"configurable": {"thread_id": 42}}
)
# 从 final_state 中获取最后一条消息的内容
result = final_state["messages"][-1].content
print(result)
final_state = app.invoke({"messages": [HumanMessage(content="我问的那个城市?")]},config={"configurable": {"thread_id": 42}}
)
result = final_state["messages"][-1].content
print(result)