运行时重建图¶

您可能需要为新的运行使用不同的配置来重建图。例如，您可能需要根据配置使用不同的图状态或图结构。本指南将展示如何实现这一点。

注意

在大多数情况下，根据配置自定义行为应由单个图来处理，其中每个节点都可以读取配置并根据其更改行为

先决条件¶

请务必首先查阅这篇操作指南，了解如何设置您的应用以进行部署。

定义图¶

假设您有一个应用程序，其中包含一个简单的图，它调用一个 LLM 并将响应返回给用户。应用程序文件目录结构如下所示

my-app/
|-- requirements.txt
|-- .env
|-- openai_agent.py     # code for your graph

其中图定义在 openai_agent.py 中。

无需重建¶

在标准的 LangGraph API 配置中，服务器使用在 openai_agent.py 顶层定义的编译图实例，如下所示

from langchain_openai import ChatOpenAI
from langgraph.graph import END, START, StateGraph, MessagesState

model = ChatOpenAI(temperature=0)

graph_workflow = StateGraph(MessagesState)

graph_workflow.add_node("agent", model)
graph_workflow.add_edge("agent", END)
graph_workflow.add_edge(START, "agent")

agent = graph_workflow.compile()

为了让服务器识别您的图，您需要在 LangGraph API 配置 (langgraph.json) 中指定包含 CompiledStateGraph 实例的变量路径，例如

{
    "dependencies": ["."],
    "graphs": {
        "openai_agent": "./openai_agent.py:agent",
    },
    "env": "./.env"
}

重建¶

为了使您的图在每次新运行中都使用自定义配置进行重建，您需要重写 openai_agent.py，使其提供一个接受配置并返回图（或编译图）实例的函数。假设我们希望为用户 ID '1' 返回现有图，并为其他用户返回一个工具调用代理。我们可以如下修改 openai_agent.py

from typing import Annotated
from typing_extensions import TypedDict
from langchain_openai import ChatOpenAI
from langgraph.graph import END, START
from langgraph.graph.state import StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode
from langchain_core.tools import tool
from langchain_core.messages import BaseMessage
from langchain_core.runnables import RunnableConfig


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


model = ChatOpenAI(temperature=0)

def make_default_graph():
    """Make a simple LLM agent"""
    graph_workflow = StateGraph(State)
    def call_model(state):
        return {"messages": [model.invoke(state["messages"])]}

    graph_workflow.add_node("agent", call_model)
    graph_workflow.add_edge("agent", END)
    graph_workflow.add_edge(START, "agent")

    agent = graph_workflow.compile()
    return agent


def make_alternative_graph():
    """Make a tool-calling agent"""

    @tool
    def add(a: float, b: float):
        """Adds two numbers."""
        return a + b

    tool_node = ToolNode([add])
    model_with_tools = model.bind_tools([add])
    def call_model(state):
        return {"messages": [model_with_tools.invoke(state["messages"])]}

    def should_continue(state: State):
        if state.tool_calls:
            return "tools"
        else:
            return END

    graph_workflow = StateGraph(State)

    graph_workflow.add_node("agent", call_model)
    graph_workflow.add_node("tools", tool_node)
    graph_workflow.add_edge("tools", "agent")
    graph_workflow.add_edge(START, "agent")
    graph_workflow.add_conditional_edges("agent", should_continue)

    agent = graph_workflow.compile()
    return agent


# this is the graph making function that will decide which graph to
# build based on the provided config
def make_graph(config: RunnableConfig):
    user_id = config.get("configurable", {}).get("user_id")
    # route to different graph state / structure based on the user ID
    if user_id == "1":
        return make_default_graph()
    else:
        return make_alternative_graph()

最后，您需要在 langgraph.json 中指定您的图创建函数 (make_graph) 的路径

{
    "dependencies": ["."],
    "graphs": {
        "openai_agent": "./openai_agent.py:make_graph",
    },
    "env": "./.env"
}

有关 LangGraph API 配置文件的更多信息，请参阅此处