LangGraph.js - 快速入门¶

简介¶

在本快速入门指南中，你将快速了解并运行一个简单的 Reason + Act 代理（通常称为 ReAct 代理），它可以使用 Tavily Search API。代码是完全可配置的。你可以

替换组件
定制执行流程
使用自定义代码或工具进行扩展
更改使用的大型语言模型 (LLM) 和提供商

前提条件¶

要跟着操作，你需要准备以下内容

NodeJS 版本 18 或更新
一个 Tavily 账户和 API 密钥
一个 OpenAI 开发者平台账户和 API 密钥

首先为项目创建一个新文件夹。打开终端并运行以下代码

mkdir langgraph-agent
cd langgraph-agent

你还需要安装一些依赖项来创建一个代理

langchain/langgraph 包含用于组装代理的构建块
langchain/openai 使你的代理能够使用 OpenAI 的 LLM
langchain/community 包含 Tavily 集成，为你的代理提供搜索功能

你可以通过在终端中运行以下 npm 命令来安装这些依赖项

npm install @langchain/core @langchain/langgraph @langchain/openai @langchain/community

LangSmith¶

可选：设置 LangSmith 以获得一流的可观测性。设置很简单 - 将以下变量添加到你的环境中，并将 LANGCHAIN_API_KEY 值更新为你的 API 密钥。

// Optional, add tracing in LangSmith
// process.env.LANGCHAIN_API_KEY = "ls__...";
// process.env.LANGCHAIN_CALLBACKS_BACKGROUND = "true";
// process.env.LANGCHAIN_TRACING_V2 = "true";
// process.env.LANGCHAIN_PROJECT = "Quickstart: LangGraphJS";

使用 LangGraph 构建你的第一个代理¶

创建一个名为 agent.ts （Reason + Act 代理的缩写）的文件，并将下面的 TypeScript 代码添加到其中。

确保更新文件顶部的环境变量以包含你的 API 密钥。如果未更新，OpenAI 和 Tavily API 调用将产生错误，你的代理将无法正常工作。

添加 API 密钥后，保存文件并使用以下命令运行代码

npx tsx agent.ts

// agent.ts

// IMPORTANT - Add your API keys here. Be careful not to publish them.
process.env.OPENAI_API_KEY = "sk-...";
process.env.TAVILY_API_KEY = "tvly-...";

import { TavilySearchResults } from "@langchain/community/tools/tavily_search";
import { ChatOpenAI } from "@langchain/openai";
import { MemorySaver } from "@langchain/langgraph";
import { HumanMessage } from "@langchain/core/messages";
import { createReactAgent } from "@langchain/langgraph/prebuilt";

// Define the tools for the agent to use
const agentTools = [new TavilySearchResults({ maxResults: 3 })];
const agentModel = new ChatOpenAI({ temperature: 0 });

// Initialize memory to persist state between graph runs
const agentCheckpointer = new MemorySaver();
const agent = createReactAgent({
  llm: agentModel,
  tools: agentTools,
  checkpointSaver: agentCheckpointer,
});

// Now it's time to use!
const agentFinalState = await agent.invoke(
  { messages: [new HumanMessage("what is the current weather in sf")] },
  { configurable: { thread_id: "42" } },
);

console.log(
  agentFinalState.messages[agentFinalState.messages.length - 1].content,
);

const agentNextState = await agent.invoke(
  { messages: [new HumanMessage("what about ny")] },
  { configurable: { thread_id: "42" } },
);

console.log(
  agentNextState.messages[agentNextState.messages.length - 1].content,
);

The current weather in San Francisco is as follows:
- Temperature: 82.0°F (27.8°C)
- Condition: Sunny
- Wind: 11.9 mph from the NW
- Humidity: 41%
- Pressure: 29.98 in
- Visibility: 9.0 miles
- UV Index: 6.0

For more details, you can visit [Weather in San Francisco](https://www.weatherapi.com/).
The current weather in New York is as follows:
- Temperature: 84.0°F (28.9°C)
- Condition: Sunny
- Wind: 2.2 mph from SSE
- Humidity: 57%
- Pressure: 29.89 in
- Precipitation: 0.01 in
- Visibility: 9.0 miles
- UV Index: 6.0

For more details, you can visit [Weather in New York](https://www.weatherapi.com/).

工作原理¶

createReactAgent 构造函数可以让你用一行代码创建一个简单的工具使用 LangGraph 代理。这是图的视觉表示

// Note: tslab only works inside a jupyter notebook. Don't worry about running this code yourself!
import * as tslab from "tslab";

const graph = agent.getGraph();
const image = await graph.drawMermaidPng();
const arrayBuffer = await image.arrayBuffer();

await tslab.display.png(new Uint8Array(arrayBuffer));

此外，你可以使用以下方法将图保存为本地 PNG 文件

import { writeFileSync } from "node:fs";

const graphStateImage = await drawableGraphGraphState.drawMermaidPng();
const graphStateArrayBuffer = await graphStateImage.arrayBuffer();

const filePath = "./graphState.png";
writeFileSync(filePath, new Uint8Array(graphStateArrayBuffer));

定制代理行为¶

createReactAgent 对于简单的代理来说非常有用，但有时你需要更强大的功能。

当你需要对代理行为进行细粒度控制时，LangGraph 就会大放异彩。以下代码创建了一个与上面示例具有相同行为的代理，但你可以清楚地看到执行逻辑以及如何对其进行定制。

更新你的 agent.ts 文件中的代码以匹配下面的示例。请再次确保更新顶部的环境变量。

更新环境变量并保存文件后，你可以使用与之前相同的命令运行它

npx tsx agent.ts

// agent.ts

// IMPORTANT - Add your API keys here. Be careful not to publish them.
process.env.OPENAI_API_KEY = "sk-...";
process.env.TAVILY_API_KEY = "tvly-...";

import { TavilySearchResults } from "@langchain/community/tools/tavily_search";
import { ChatOpenAI } from "@langchain/openai";
import { HumanMessage, AIMessage } from "@langchain/core/messages";
import { ToolNode } from "@langchain/langgraph/prebuilt";
import { StateGraph, MessagesAnnotation } from "@langchain/langgraph";

// Define the tools for the agent to use
const tools = [new TavilySearchResults({ maxResults: 3 })];
const toolNode = new ToolNode(tools);

// Create a model and give it access to the tools
const model = new ChatOpenAI({
  model: "gpt-4o-mini",
  temperature: 0,
}).bindTools(tools);

// Define the function that determines whether to continue or not
function shouldContinue({ messages }: typeof MessagesAnnotation.State) {
  const lastMessage = messages[messages.length - 1] as AIMessage;

  // If the LLM makes a tool call, then we route to the "tools" node
  if (lastMessage.tool_calls?.length) {
    return "tools";
  }
  // Otherwise, we stop (reply to the user) using the special "__end__" node
  return "__end__";
}

// Define the function that calls the model
async function callModel(state: typeof MessagesAnnotation.State) {
  const response = await model.invoke(state.messages);

  // We return a list, because this will get added to the existing list
  return { messages: [response] };
}

// Define a new graph
const workflow = new StateGraph(MessagesAnnotation)
  .addNode("agent", callModel)
  .addEdge("__start__", "agent") // __start__ is a special name for the entrypoint
  .addNode("tools", toolNode)
  .addEdge("tools", "agent")
  .addConditionalEdges("agent", shouldContinue);

// Finally, we compile it into a LangChain Runnable.
const app = workflow.compile();

// Use the agent
const finalState = await app.invoke({
  messages: [new HumanMessage("what is the weather in sf")],
});
console.log(finalState.messages[finalState.messages.length - 1].content);

const nextState = await app.invoke({
  // Including the messages from the previous run gives the LLM context.
  // This way it knows we're asking about the weather in NY
  messages: [...finalState.messages, new HumanMessage("what about ny")],
});
console.log(nextState.messages[nextState.messages.length - 1].content);

我们的 ReAct 代理的这个版本有一些新的东西。

一个 ToolNode 使 LLM 能够使用工具。在此示例中，我们创建了一个 shouldContinue 函数并将其传递给 addConditionalEdge ，以便我们的 ReAct 代理可以调用工具或响应请求。

Annotations 是 LangGraph 中图状态的表示方式。我们正在使用 MessagesAnnotation，这是一个实现了常见模式的助手：将消息历史记录保存在数组中。

下一步¶

恭喜你使用 LangGraph 创建了你的第一个 AI 代理！如果你准备构建更复杂的内容，请查看我们的其他教程学习如何实现其他端到端的代理工作流程，例如

检索增强生成 (RAG)
多代理协作
反思，即代理评估其工作

如果你想改进你的代理，我们有操作指南提供帮助，包括

工具调用使代理能够与 API 交互
为你的代理提供持久内存以继续对话并调试意外行为
设置人机协作对于需要人工验证的操作
流式输出代理的输出使你的应用程序响应更及时
一行代码更改 AI 模型