LangGraph 是由 LangChain 开发的框架,用于管理集成 LLM 的应用程序的控制流。
LangChain 提供了与模型和其他组件交互的标准接口,可用于检索、LLM 调用和工具调用。 LangChain 的类可能会在 LangGraph 中使用,但不是必须的。
这两个包是独立的可以单独使用,但最终你在网上找到的资源都会同时使用这两个包。
在设计 AI 应用时,你面临 控制 与 自由度 的基本权衡:
像 smolagents 中的代码智能体(Code Agents)具有高度自由度。它们可以在单个行动步骤中调用多个工具、创建自己的工具等。然而,这种行为会使它们比使用 JSON 的常规 Agent 更难预测和控制!
LangGraph 则位于光谱的另一端,当你需要对智能体的执行进行 “控制” 时,它就会大放异彩。
当你需要 对应用程序保持控制 时,LangGraph 特别有价值。它为你提供了构建可预测流程应用程序的工具,同时仍能利用 LLM 的强大能力。
简而言之,如果你的应用程序包含需要以特定方式编排的多个步骤,并在每个连接点做出决策,LangGraph 就能提供你所需的结构。
举个例子,假设我们要构建一个能够回答文档相关问题的 LLM 助手。
由于 LLM 最擅长理解文本,在回答问题之前,你需要将其他复杂模态(图表、表格)转换为文本。但这个选择取决于你拥有的文档类型!
我选择将这种分支流程表示为:
💡 提示: 左侧部分不是智能体,因为这里不涉及工具调用。但右侧部分需要编写代码来查询 xls 文件(转换为 pandas 并操作它)。
虽然这个分支是确定性的,但你也可以设计基于 LLM 输出结果的非确定性条件分支。
LangGraph 表现出色的关键场景包括:
本质上,只要有可能,作为人类 就应该根据每个操作的输出设计行动流程,并据此决定下一步执行什么。在这种情况下,LangGraph 就是你正确的选择!
在我看来,LangGraph 是市场上最适合生产环境的智能体框架。
其核心在于,LangGraph 使用有向图结构来定义应用程序的流程:
我们将在下一章更深入地探讨这些基本模块!
你可能会想:“我可以用常规 Python 代码和 if-else 语句来处理所有这些流程,对吧?”
虽然技术上可行,但对于构建复杂系统,LangGraph 相比原生 Python 有 诸多优势。没有 LangGraph 你也能构建相同应用,但它能为你提供更便捷的工具和抽象。
它包含状态管理、可视化、日志追踪(traces)、内置的人类介入机制等功能。
< > Update on GitHub