LangGraph.js - 快速入门¶

简介¶

在本快速入门指南中，你将开始使用一个简单的 Reason + Act Agent (通常称为 ReAct Agent)，它可以使用 Tavily Search API 搜索网络。代码是完全可配置的。你可以

替换组件
自定义执行流程
使用自定义代码或工具扩展它
更改正在使用的大型语言模型 (LLM) 和提供商

前提条件¶

要继续学习，你需要具备以下条件

NodeJS 18 或更高版本
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。打开你的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 agent

langchain/langgraph 包含了用于组装 agent 的构建块
langchain/openai 使你的 agent 能够使用 OpenAI 的 LLM
langchain/community 包含了 Tavily 集成，为你的 agent 提供搜索能力

你可以使用以下 npm 命令在你的终端中安装这些依赖项

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，并使用你的 API 密钥更新 LANGCHAIN_API_KEY 值。

// 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 创建你的第一个 Agent¶

创建一个名为 agent.ts 的文件（Reason + Act Agent 的缩写），并将以下 TypeScript 代码添加到其中。

确保你更新文件顶部的环境变量以包含你的 API 密钥。如果你不这样做，OpenAI 和 Tavily API 调用将产生错误，并且你的 agent 将无法正常工作。

一旦你添加了你的 API 密钥，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/).

它如何工作？¶

createReactAgent 构造函数让你在一行代码中创建一个简单的、使用工具的 LangGraph agent。这是一个图的可视化表示

// 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));

自定义 Agent 行为¶

createReactAgent 对于简单的 agent 来说可能很棒，但有时你需要更强大的功能。

当你需要对 agent 的行为进行细粒度控制时，LangGraph 真正发挥作用。以下代码创建了一个与上面示例行为相同的 agent，但你可以清楚地看到执行逻辑以及如何自定义它。

更新你的 agent.ts 文件中的代码以匹配下面的示例。再次强调，请务必更新顶部的环境变量。

在你更新了你的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);

在我们 ReAct Agent 的这个版本中，发生了一些新的事情。

ToolNode 使 LLM 能够使用工具。在这个例子中，我们创建了一个 shouldContinue 函数并将其传递给 addConditionalEdge，以便我们的 ReAct Agent 可以调用工具或响应请求。

注解 (Annotations) 是 LangGraph 中图状态的表示方式。我们正在使用 MessagesAnnotation，这是一个辅助工具，它实现了一种常见的模式：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 agent！如果你准备构建更多内容，请查看我们的其他教程，了解如何实现其他端到端 agent 工作流程，例如

如果你更愿意改进你的 agent，我们有操作指南来帮助你，包括

工具调用 (Tool calling)，使 agent 能够与 API 交互
为你的 agent 提供持久性内存 (persistent memory) 以继续对话并调试意外行为
对于你希望人类验证的操作，将人工干预 (human in the loop) 纳入循环
流式传输 agent 输出 (Streaming the agent output)，使你的应用程序感觉更灵敏
在一行代码中更改 AI 模型