LangChain系列文章
- LangChain 60 深入理解LangChain 表达式语言23 multiple chains链透传参数 LangChain Expression Language (LCEL)
- LangChain 61 深入理解LangChain 表达式语言24 multiple chains链透传参数 LangChain Expression Language (LCEL)
- LangChain 62 深入理解LangChain 表达式语言25 agents代理 LangChain Expression Language (LCEL)
- LangChain 63 深入理解LangChain 表达式语言26 生成代码code并执行 LangChain Expression Language (LCEL)
- LangChain 64 深入理解LangChain 表达式语言27 添加审查 Moderation LangChain Expression Language (LCEL)
- LangChain 65 深入理解LangChain 表达式语言28 余弦相似度Router Moderation LangChain Expression Language (LCEL)
- LangChain 66 深入理解LangChain 表达式语言29 管理prompt提示窗口大小 LangChain Expression Language (LCEL)
- LangChain 67 深入理解LangChain 表达式语言30 调用tools搜索引擎 LangChain Expression Language (LCEL)
- LangChain 68 LLM Deployment大语言模型部署方案
- LangChain 69 向量数据库Pinecone入门
- LangChain 70 Evaluation 评估、衡量在多样化数据上的性能和完整性
- LangChain 71 字符串评估器String Evaluation衡量在多样化数据上的性能和完整性
- LangChain 72 reference改变结果 字符串评估器String Evaluation
- LangChain 73 给结果和参考评分 Scoring Evaluator
- LangChain 74 有用的或者有害的helpful or harmful Scoring Evaluator
- LangChain 75 打造你自己的OpenAI + LangChain网页应用
- LangChain 76 LangSmith 从入门到精通一
- LangChain 77 LangSmith 从入门到精通二
- LangChain 78 LangSmith 从入门到精通三
- LangChain 79 LangGraph 从入门到精通一
- LangChain 80 LangGraph 从入门到精通二
- LangChain 81 LangGraph 从入门到精通三
有几个新的API可以使用。
1.StateGraph
主要入口点是StateGraph。
from langgraph.graph import StateGraph
这个类负责构建图。它提供了一个受NetworkX启发的接口。这个图由一个状态对象参数化，它传递给每个节点。
1.1 __init__
def __init__(self, schema: Type[Any]) -> None:
在构建图表时，您需要传入一个状态模式。然后，每个节点都会返回操作以更新该状态。这些操作可以是在状态上设置特定属性（例如，覆盖现有值），也可以是向现有属性添加内容。是设置还是添加是通过注释您用于构建图表的状态对象来表示的。
指定模式的推荐方法是使用类型化字典：from typing import TypedDict
然后，您可以使用 from typing import Annotated 注释不同的属性。目前，唯一支持的注释是 import operator; operator.add。此注释将使得任何返回此属性的节点将新结果添加到现有值中。
让我们看一个例子：
from typing import TypedDict, Annotated, Union
from langchain_core.agents import AgentAction, AgentFinish
import operator
class AgentState(TypedDict):
# The input string
input: str
# The outcome of a given call to the agent
# Needs `None` as a valid type, since this is what this will start as
agent_outcome: Union[AgentAction, AgentFinish, None]
# List of actions and corresponding observations
# Here we annotate this with `operator.add` to indicate that operations to
# this state should be ADDED to the existing values (not overwrite it)
intermediate_steps: Annotated[list[tuple[AgentAction, str]], operator.add]
我们可以像这样使用：
# Initialize the StateGraph with this state
graph = StateGraph(AgentState)
# Create nodes and edges
...
# Compile the graph
app = graph.compile()
# The inputs should be a dictionary, because the state is a TypedDict
inputs = {
# Let's assume this the input
"input": "hi"
# Let's assume agent_outcome is set by the graph as some point
# It doesn't need to be provided, and it will be None by default
# Let's assume `intermediate_steps` is built up over time by the graph
# It doesn't need to provided, and it will be empty list by default
# The reason `intermediate_steps` is an empty list and not `None` is because
# it's annotated with `operator.add`
}
1.2 .add_node
def add_node(self, key: str, action: RunnableLike) -> None:
这种方法向图中添加一个节点。它接受两个参数：
key: 一个表示节点名称的字符串。这个名称必须是唯一的。action: 当调用该节点时要执行的操作。这应该是一个函数或可运行的。
1.3 .add_conditional_edges
def add_conditional_edges(
self,
start_key: str,
condition: Callable[..., str],
conditional_edge_mapping: Dict[str, str],
) -> None:
这种方法添加了条件边缘。这意味着只会选择一个下游边缘，取决于起始节点的结果。这需要三个参数：
start_key：表示起始节点名称的字符串。该键必须已在图表中注册过。condition：要调用以决定接下来要做什么的函数。输入将是起始节点的输出。它应返回一个存在于conditional_edge_mapping中并表示要采取的边缘的字符串。conditional_edge_mapping：字符串到字符串的映射。键应该是条件可能返回的字符串。值应该是如果返回该条件则调用的下游节点。
1.4 set_entry_point
def set_entry_point(self, key: str) -> None:
图的入口点。这是首先调用的节点。它只需要一个参数：
key：应首先调用的节点的名称。
1.5 .set_finish_point
def set_finish_point(self, key: str) -> None:
这是图的出口点。当调用此节点时，结果将是图的最终结果。它只有一个参数：
key：调用时将返回其调用结果作为最终输出的节点名称
注意：如果在任何时候您之前创建了通向END的边缘（条件或正常），则不需要调用此节点。
代码
https://github.com/zgpeace/pets-name-langchain/tree/develop
参考
https://python.langchain.com/docs/langsmith/walkthrough
