▼最近直播超级多，预约保你有收获

今天直播：《RAG和GPTs构建Agent产业应用落地实战》

—1—

LangGraph  技术架构解读

LangGraph 是一个有用于构建有状态和多角色的 Agents 应用，它并不是一个独立于 Langchain 的新框架，而是基于 Langchain 之上构建的一个扩展库，可以与 Langchain 现有的链（Chains）、LangChain Expression Language（LCEL）等无缝协作。LangGraph 能够协调多个 Chain、Agent、Tool 等共同协作来完成输入任务，支持 LLM 调用“循环”和 Agent 过程的更精细化控制。

LangGraph 的实现方式是把之前基于 AgentExecutor 的黑盒调用过程，用一种新的形式来构建：状态图（StateGraph）。把基于 LLM 的任务（比如：RAG、代码生成等）细节用 Graph 进行精确的定义（定义图的节点与边），最后基于这个图来编译生成应用。在任务运行过程中，维持一个中央状态对象(state)，会根据节点的跳转不断更新，状态包含的属性可自行定义。

我们一起剖析下官方 RAG 应用的 Graph 案例，如下图所示，从而更好理解 LangGraph。

• StateGraph：代表整个状态图的基础类。
• Nodes：节点。有了图之后，可以向图中添加节点，节点通常是一个可调用的函数、一个可运行的 Chain 或 Agent。有一个特殊的节点叫END，进入这个节点，代表运行结束。
• 在上图中，推理函数调用、调用检索器、生成响应内容、问题重写等都是其中的任务节点。
• Edges：边。有了节点后，需要向图中添加边，边代表从上一个节点跳转到下一个节点的关系。目前有三种类型的边：
• Starting Edge、一种特殊的边。用来定义任务运行的开始节点，它没有上一个节点。
• Normal Edge：普通边。代表上一个节点运行完成后立即进入下一个节点。比如在调用 Tools 后获得结果后，立刻进入 LLM 推理节点。
• Conditional Edge：条件边。代表上一个节点运行完成后，需要根据条件跳转到某个节点，因此这种边不仅需要上游节点、下游节点，还需要一个条件函数，根据条件函数的返回来决定下游节点。
• 在上图中，Check Relevance 就是一个条件边，它的上游节点是检索相关文档，条件函数是判断文档是否相关，如果相关，则进入下游节点【产生回答】；如果不相关，则进入下游节点【重写输入问题】。

app = graph.compile()

—2—

LangGraph 构建 Agent 应用

LangGraph 其实就是把现在黑盒的 AgentExecutor 透明化，允许开发者定义内部的细节结构（用图的方式），从而实现更强大的功能。那么就可以用LangGraph 来重新实现原来的 AgentExecutor，即实现一个最基础的 ReAct范式的 Agent 应用。

伪代码实现如下：

代码中的注释对 graph 构建的细节做了解释。显然，这要比简单的使用 agentExecutor 要复杂的多，但同时也展示了 LangGraph 在构建 LLM 应用时强大的控制能力：通过 Graph 的定义，可以对一个 LLM 应用的处理过程进行非常细节的编排设计，从而满足大量复杂场景的 AI Agent 产业应用落地。

2、AI Agent 重构 AI 电商中台产业落地案例实战

3、基于 GPTs 实现 AI Agent 技术架构深度剖析 

领取《AI 大模型技术直播》