什麼是 LangGraph？

LangGraph 是由 LangChain 開發的框架，用於管理整合 LLM 的應用程式的控制流。

LangGraph 與 LangChain 有何不同？

LangChain 提供了一個標準介面，用於與模型和其他元件進行互動，這對於檢索、LLM 呼叫和工具呼叫很有用。LangChain 中的類可以在 LangGraph 中使用，但不是必須使用。

這些包是不同的，可以單獨使用，但最終，您在網上找到的所有資源都會將這兩個包一起使用。

我應該何時使用 LangGraph？

控制與自由

在設計 AI 應用程式時，您會面臨控制與自由之間的根本權衡。

• 自由讓您的 LLM 有更多空間進行創造性思考並解決意外問題。
• 控制讓您能夠確保可預測的行為並維護護欄。

程式碼代理，例如您在 smolagents 中遇到的那些，非常自由。它們可以在一個動作步驟中呼叫多個工具，建立自己的工具等等。然而，這種行為可能使它們比使用 JSON 的常規代理更難以預測和控制！

LangGraph 處於另一端，當您需要對代理的執行進行“控制”時，它會大放異彩。

當您需要控制應用程式時，LangGraph 尤其有價值。它為您提供了構建遵循可預測過程的應用程式的工具，同時仍然利用了 LLM 的強大功能。

簡單來說，如果您的應用程式涉及一系列需要以特定方式協調的步驟，並且在每個連線點都需要做出決策，那麼 LangGraph 提供了您所需的結構。

例如，假設我們要構建一個可以回答某些文件中問題的 LLM 助手。

由於 LLM 最擅長理解文字，因此在能夠回答問題之前，您需要將其他複雜的模態（圖表、表格）轉換為文字。然而，這個選擇取決於您擁有的文件型別！

我選擇將這種分支表示如下：

💡 提示： 左側不是代理，因為這裡不涉及工具呼叫。但右側需要編寫一些程式碼來查詢 xls（轉換為 pandas 並操作它）。

雖然這種分支是確定性的，但您也可以設計根據 LLM 輸出進行條件分支，使其成為不確定性的。

LangGraph 擅長的關鍵場景包括：

• 需要明確控制流程的多步驟推理過程
• 需要在步驟之間保持狀態的應用程式
• 結合確定性邏輯和 AI 功能的系統
• 需要人工干預的工作流
• 具有多個元件協同工作的複雜代理架構

本質上，只要有可能，作為一個人，根據每個動作的輸出設計一個動作流程，並相應地決定下一步要執行什麼。在這種情況下，LangGraph 是適合您的正確框架！

在我看來，LangGraph 是市場上最成熟的代理框架。

LangGraph 如何工作？

LangGraph 的核心是使用有向圖結構來定義應用程式的流程

• 節點代表單獨的處理步驟（例如呼叫 LLM、使用工具或做出決策）。
• 邊定義了步驟之間可能的轉換。
• 狀態由使用者定義，並在執行期間在節點之間維護和傳遞。當決定下一個要定位的節點時，我們檢視的就是當前狀態。

我們將在下一章中更詳細地探討這些基本模組！

它與普通 Python 有何不同？為什麼我需要 LangGraph？

您可能會想：“我可以使用帶有 if-else 語句的普通 Python 程式碼來處理所有這些流程，對吧？”

雖然從技術上講是這樣，但 LangGraph 在構建複雜系統方面提供了一些優勢，優於普通的 Python。您可以在沒有 LangGraph 的情況下構建相同的應用程式，但它為您提供了更易用的工具和抽象。

它包括狀態、視覺化、日誌（跟蹤）、內建的人工干預等。

< > 在 GitHub 上更新