LangGraph 教程：初学者综合指南（2）

工具集成

将工具集成到 LangGraph 聊天机器人中可以显着增强其功能，使其能够按照您喜欢的方式访问和处理信息。

让我们修改上一节中创建的基本聊天机器人，以包含一个可以在网络上搜索信息的工具。我们将使用langchain_中community.tools TavilySearchResults工具，对于此示例，您将需要Tavily API 密钥。

在这里插入图片描述
以下代码结合了 LangChain、LangGraph 和 Tavily 搜索工具，创建了一个聊天机器人（chatbot）。代码实现了一个包含多个组件（如模型调用、工具调用、图计算等）的流式聊天框架，涉及到从用户输入到最终响应的完整过程。下面我将详细解释每个部分的作用。

1. 安装依赖：

pip install -U tavily-python langchain_community

这行命令安装了两个 Python 库：
- tavily-python：一个用于 Tavily 搜索引擎的工具包，提供搜索功能。
- langchain_community：一个开源的 LangChain 扩展库，提供了与多个工具和平台的集成。

2. 导入必要的库：

from typing import Annotated
from langchain_community.tools.tavily_search import TavilySearchResults
from typing_extensions import TypedDict

from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import MemorySaver

Annotated 和 TypedDict：用于定义类型。
TavilySearchResults：来自 langchain_community，提供 Tavily 搜索工具的接口。
StateGraph、ToolNode、tools_condition：来自 LangGraph，用于创建图和添加节点以及条件逻辑。
ChatOpenAI：来自 LangChain，用于调用 OpenAI GPT 模型。
MemorySaver：来自 LangGraph，用于保存和管理聊天过程中的状态。

3. 定义聊天状态 (`State`)：

class State(TypedDict):
    messages: Annotated[list, add_messages]

State 是一个继承自 TypedDict 的类，定义了聊天状态结构。它包含一个键 messages，存储聊天历史记录。add_messages 装饰器用于确保新的消息会被追加到历史记录中。

4. 初始化工具和模型：

tool = TavilySearchResults(max_results=2)
tools = [tool]

llm = ChatOpenAI(temperature=0)

TavilySearchResults 是一个搜索工具实例，设置了 max_results=2，表示每次搜索返回最多 2 个结果。
llm 是一个 ChatOpenAI 模型实例，设置了 temperature=0，使得模型输出更加确定，不太随机。

5. 将工具绑定到模型：

llm_with_tools = llm.bind_tools(tools)

bind_tools 方法将工具绑定到 LLM（语言模型）上。这样，模型就知道可以使用哪些工具。这里的工具是 TavilySearchResults，可以在生成的响应中触发搜索操作。

6. 定义 `chatbot` 函数：

def chatbot(state: State):
    return {"messages": [llm_with_tools.invoke(state["messages"])]}

chatbot 函数接受一个 State 类型的参数，并通过 llm_with_tools.invoke() 使用模型生成响应。生成的响应会被返回，并更新 messages 字段。

7. 构建 LangGraph：

graph_builder = StateGraph(State)
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_node("tools", tool_node)

StateGraph 创建一个状态图，表示不同的状态（节点）和它们之间的过渡（边）。图的每个节点都是一个函数或工具的调用。
add_node 方法将 chatbot 和 tools 节点添加到图中。

8. 设置条件边：

graph_builder.add_conditional_edges("chatbot", tools_condition)

条件路由：利用 graph_builder.add_conditional_edges() 根据LLM是否决定调用工具来设置路由逻辑。 tools_condition函数检查LLM的响应是否包含工具调用指令。

add_conditional_edges 用于根据某些条件（如工具调用）在节点之间建立边。在这里，tools_condition 函数会检查是否需要调用工具。如果是，它会触发从 chatbot 到 tools 节点的过渡。

9. 图的入口点和边的设置：

graph_builder.add_edge("tools", "chatbot")
graph_builder.set_entry_point("chatbot")

add_edge 设置从 tools 节点到 chatbot 节点的边，表示一旦工具被调用，图会回到 chatbot 节点，以便模型决定下一步操作。执行该工具后，使用graph_builder.add_edge()将流程引导回chatbot节点，从而允许对话继续。
set_entry_point 设置图的入口点为 chatbot，表示聊天的起点。

10. 设置 MemorySaver：

memory = MemorySaver()
graph = graph_builder.compile(checkpointer=memory)

MemorySaver 用作图的检查点，保存和恢复聊天状态。通过将 MemorySaver 传递给 compile 方法，图的状态将在整个对话过程中保存。

11. 聊天主循环：

config = {"configurable": {"thread_id": "1"}}

while True:
    user_input = input("User: ")
    if user_input.lower() in ["quit", "exit", "q"]:
        print("Goodbye!")
        break

    for event in graph.stream({"messages": [("user", user_input)]}, config):
        for value in event.values():
            print("Assistant:", value["messages"][-1].content)

while True 是聊天的主循环，持续接收用户输入直到用户输入 quit、exit 或 q。
graph.stream(...) 用于将用户输入流入图中并触发处理。传递给图的状态是 {"messages": [("user", user_input)]}，即用户的输入。
event.values() 提取事件的实际数据（如聊天记录），并打印出最后一个消息的内容。