LangGraph.js - 快速入门¶

介绍¶

在本快速入门指南中，您将使用一个简单的推理 + 行动代理（通常称为 ReAct 代理）开始运行，该代理可以使用 Tavily 搜索 API 搜索网络。代码是完全可配置的。您可以

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

先决条件¶

要继续学习，您需要具备以下条件

NodeJS 版本 18 或更高版本
一个 Tavily 帐户和 API 密钥
一个 OpenAI 开发者平台帐户和 API 密钥

首先创建一个用于项目的文件夹。打开您的终端并运行以下代码

mkdir langgraph-agent
cd langgraph-agent

您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 使您的代理能够使用 OpenAI 的 LLM
@langchain/community 包含 Tavily 集成，为您的代理提供搜索功能

您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¶

或者，设置 LangSmith 以获得一流的可观察性。设置很简单 - 将以下变量添加到您的环境中，并将 LANGCHAIN_API_KEY 值更新为您的 API 密钥。

在 [1] 中

已复制！

// 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";
// 可选，在 LangSmith 中添加跟踪 // 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 创建您的第一个代理¶

创建一个名为 agent.ts（推理 + 行动代理的简称）的文件，并将以下 TypeScript 代码添加到其中。

确保将文件顶部的环境变量更新为包含您的 API 密钥。如果您没有这样做，OpenAI 和 Tavily API 调用将产生错误，您的代理将无法正常工作。

添加完 API 密钥后，保存文件并使用以下命令运行代码

npx tsx agent.ts

在 [1] 中

已复制！





// 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,
);
// agent.ts // 重要 - 在此处添加您的 API 密钥。小心不要公开它们。 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"; // 为代理定义要使用的工具 const agentTools = [new TavilySearchResults({ maxResults: 3 })]; const agentModel = new ChatOpenAI({ temperature: 0 }); // 初始化内存以在图运行之间持久保存状态 const agentCheckpointer = new MemorySaver(); const agent = createReactAgent({ llm: agentModel, tools: agentTools, checkpointSaver: agentCheckpointer, }); // 现在是使用的时候了！ const agentFinalState = await agent.invoke( { messages: [new HumanMessage("sf 的当前天气如何")] }, { configurable: { thread_id: "42" } }, ); console.log( agentFinalState.messages[agentFinalState.messages.length - 1].content, ); const agentNextState = await agent.invoke( { messages: [new HumanMessage("纽约呢")] }, { 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/).

它是如何工作的？¶

createReactAgent 构造函数允许您在一行代码中创建一个简单的使用工具的 LangGraph 代理。以下是图的直观表示

在 [2] 中

已复制！

// 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));
// 注意：tslab 仅在 jupyter notebook 中有效。不必担心自己运行这段代码！ 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));

No description has been provided for this image

自定义代理行为¶

createReactAgent 非常适合简单的代理，但有时您需要更强大的功能。

当您需要对代理的行为进行细粒度控制时，LangGraph 真的大放异彩。以下代码创建了一个与上面示例具有相同行为的代理，但您可以清楚地看到执行逻辑以及如何对其进行自定义。

将 agent.ts 文件中的代码更新为与以下示例匹配。再次确保更新文件顶部的环境变量。

更新完环境变量并保存文件后，您可以使用与之前相同的命令运行它

npx tsx agent.ts

在 [ ] 中

已复制！





// 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 } 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];

  // If the LLM makes a tool call, then we route to the "tools" node
  if (lastMessage.additional_kwargs.tool_calls) {
    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);
// agent.ts // 重要 - 在此处添加您的 API 密钥。小心不要公开它们。 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 } from "@langchain/core/messages"; import { ToolNode } from "@langchain/langgraph/prebuilt"; import { StateGraph, MessagesAnnotation } from "@langchain/langgraph"; // 为代理定义要使用的工具 const tools = [new TavilySearchResults({ maxResults: 3 })]; const toolNode = new ToolNode(tools); // 创建一个模型并授予其访问工具的权限 const model = new ChatOpenAI({ model: "gpt-4o-mini", temperature: 0, }).bindTools(tools); // 定义确定是否继续的函数 function shouldContinue({ messages }: typeof MessagesAnnotation.State) { const lastMessage = messages[messages.length - 1]; // 如果 LLM 进行工具调用，则将路由到“工具”节点 if (lastMessage.additional_kwargs.tool_calls) { return "tools"; } // 否则，我们将停止（使用特殊的“__end__”节点回复用户） return "__end__"; } // 定义调用模型的函数 async function callModel(state: typeof MessagesAnnotation.State) { const response = await model.invoke(state.messages); // 我们返回一个列表，因为这将被添加到现有列表中 return { messages: [response] }; } // 定义一个新图 const workflow = new StateGraph(MessagesAnnotation) .addNode("agent", callModel) .addEdge("__start__", "agent") // __start__ 是入口点的特殊名称 .addNode("tools", toolNode) .addEdge("tools", "agent") .addConditionalEdges("agent", shouldContinue); // 最后，我们将它编译成一个 LangChain 可运行文件。 const app = workflow.compile(); // 使用代理 const finalState = await app.invoke({ messages: [new HumanMessage("sf 的天气如何")] }); console.log(finalState.messages[finalState.messages.length - 1].content); const nextState = await app.invoke({ // 包括来自先前运行的消息为 LLM 提供上下文。 // 这样它就知道我们询问的是纽约的天气 messages: [...finalState.messages, new HumanMessage("纽约呢")], }); console.log(nextState.messages[nextState.messages.length - 1].content);

在这个版本的 ReAct 代理中，有一些新内容。

一个 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 代理可以调用工具或响应请求。

注释是 LangGraph 中表示图形状态的方式。我们使用 MessagesAnnotation，这是一个实现通用模式的助手：将消息历史记录保存在数组中。

下一步¶

恭喜您使用 LangGraph 创建了第一个 AI 代理！如果您准备好构建更多内容，请查看我们的其他教程，了解如何实现其他端到端代理工作流，例如

检索增强型生成 (RAG)
多代理协作
反思，代理在其中评估其工作

如果您想改进代理，我们有操作指南来帮助您，包括

工具调用，使代理能够与 API 交互
为您的代理提供持久内存以继续对话并调试意外行为
为要让人类验证的操作设置人工干预
流式传输代理输出以使您的应用程序感觉更具响应性
在一行代码中更改 AI 模型