流式传输¶
LangGraph 在设计时就对流式传输提供了第一优先级支持。有多种不同的方式可以从图运行中流式传输输出。
流式图输出 (.stream
)¶
.stream
是一个异步方法,用于从图运行中流式传输输出。调用这些方法时可以指定几种不同的模式(例如 `await graph.stream(..., { ...config, streamMode: "values" }))`)
"values"
: 此模式在图的每个步骤后流式传输状态的完整值。"updates"
: 此模式在图的每个步骤后流式传输状态的更新。如果在同一步骤中进行了多次更新(例如运行了多个节点),则这些更新会单独流式传输。"custom"
: 此模式流式传输图节点内部的自定义数据。"messages"
: 此模式流式传输调用LLM的图节点的LLM令牌和元数据。"debug"
: 此模式在图的整个执行过程中流式传输尽可能多的信息。
下面的可视化图展示了 values
和 updates
模式之间的区别。
流式传输LLM令牌和事件 (.streamEvents
)¶
此外,您可以使用 streamEvents
方法流式传输节点内部发生的事件。这对于流式传输LLM调用的令牌非常有用。
这是所有 LangChain 对象的标准方法。这意味着在图执行过程中,会沿途发出某些事件,如果您使用 .streamEvents
运行图,则可以看到这些事件。
所有事件都包含(除其他外)event
、name
和 data
字段。这些字段代表什么?
event
: 这是正在发出的事件类型。您可以在此处找到所有回调事件和触发器的详细表格。name
: 这是事件的名称。data
: 这是与事件关联的数据。
哪些类型的操作会触发事件发出?
- 每个节点(可运行对象)在开始执行时发出
on_chain_start
,在节点执行期间发出on_chain_stream
,并在节点完成时发出on_chain_end
。节点事件的name
字段将包含节点名称。 - 图会在图执行开始时发出
on_chain_start
,在每个节点执行后发出on_chain_stream
,并在图完成时发出on_chain_end
。图事件的name
字段将包含LangGraph
。 - 任何对状态通道的写入(即,任何时候您更新其中一个状态键的值)都将发出
on_chain_start
和on_chain_end
事件。
此外,在节点内部创建的任何事件(LLM事件、工具事件、手动发出的事件等)也将显示在 .streamEvents
的输出中。
为了更具体地了解其外观,让我们看看运行一个简单图时会返回哪些事件。
import { ChatOpenAI } from "@langchain/openai";
import { StateGraph, MessagesAnnotation } from "langgraph";
const model = new ChatOpenAI({ model: "gpt-4-turbo-preview" });
function callModel(state: typeof MessagesAnnotation.State) {
const response = model.invoke(state.messages);
return { messages: response };
}
const workflow = new StateGraph(MessagesAnnotation)
.addNode("callModel", callModel)
.addEdge("start", "callModel")
.addEdge("callModel", "end");
const app = workflow.compile();
const inputs = [{ role: "user", content: "hi!" }];
for await (const event of app.streamEvents(
{ messages: inputs },
{ version: "v2" }
)) {
const kind = event.event;
console.log(`${kind}: ${event.name}`);
}
on_chain_start: LangGraph
on_chain_start: __start__
on_chain_end: __start__
on_chain_start: callModel
on_chat_model_start: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_stream: ChatOpenAI
on_chat_model_end: ChatOpenAI
on_chain_start: ChannelWrite<callModel,messages>
on_chain_end: ChannelWrite<callModel,messages>
on_chain_stream: callModel
on_chain_end: callModel
on_chain_stream: LangGraph
on_chain_end: LangGraph
我们从整体图的开始(on_chain_start: LangGraph
)开始。然后我们写入 __start__
节点(这是一个用于处理输入的特殊节点)。接着我们启动 callModel
节点(on_chain_start: callModel
)。然后我们启动聊天模型调用(on_chat_model_start: ChatOpenAI
),逐个令牌地流式传输(on_chat_model_stream: ChatOpenAI
),然后完成聊天模型(on_chat_model_end: ChatOpenAI
)。从那里,我们将结果写回通道(ChannelWrite<callModel,messages>
),然后完成 callModel
节点,再完成整个图。
这应该能让您很好地了解在一个简单图中会发出哪些事件。但是这些事件包含什么数据呢?每种类型的事件都以不同的格式包含数据。让我们看看 on_chat_model_stream
事件是什么样子。这是一种重要的事件类型,因为它对于从LLM响应中流式传输令牌是必需的。
这些事件看起来像
{'event': 'on_chat_model_stream',
'name': 'ChatOpenAI',
'run_id': '3fdbf494-acce-402e-9b50-4eab46403859',
'tags': ['seq:step:1'],
'metadata': {'langgraph_step': 1,
'langgraph_node': 'callModel',
'langgraph_triggers': ['start:callModel'],
'langgraph_task_idx': 0,
'checkpoint_id': '1ef657a0-0f9d-61b8-bffe-0c39e4f9ad6c',
'checkpoint_ns': 'callModel',
'ls_provider': 'openai',
'ls_model_name': 'gpt-4o-mini',
'ls_model_type': 'chat',
'ls_temperature': 0.7},
'data': {'chunk': AIMessageChunk({ content: 'Hello', id: 'run-3fdbf494-acce-402e-9b50-4eab46403859' })},
'parent_ids': []}
我们可以看到事件类型和名称(我们之前已经知道)。
元数据中还有很多内容。值得注意的是,'langgraph_node': 'callModel',
是一个非常有用的信息,它告诉我们这个模型是在哪个节点内部调用的。
最后,data
是一个非常重要的字段。它包含此事件的实际数据!在本例中,它是一个 AIMessageChunk。它包含消息的 content
以及一个 id
。这是整个 AIMessage(不仅仅是这个块)的ID,非常有用——它帮助我们跟踪哪些块属于同一条消息(以便我们可以在UI中将它们一起显示)。
这些信息包含了创建用于流式传输LLM令牌的UI所需的一切。