深入探索 LangGraph构建智能体与上下文管理的艺术

最新推荐文章于 2025-06-20 18:13:01 发布

原创

最新推荐文章于 2025-06-20 18:13:01 发布 · 1k 阅读

24 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #prompt #AI编程 #python

基本信息

LangGraph上下文配置config、状态state、跨对话记忆
模型调用通义千问（阿里Tongyi大模型）

上下文管理

LangGraph 作为一款强大的框架，为开发者提供了构建智能体的丰富工具和灵活的上下文管理机制。本文将通过实际代码示例，深入探讨如何利用 LangGraph 构建智能体，并管理其上下文，以实现高效、智能的交互。

LangGraph 提供了三种主要方式来提供上下文：

类型	描述	易变性	时长
配置（静态上下文）	运行开始时传递的数据	❌	每次运行
状态（可变上下文）	执行期间可以改变的动态数据	✅	每次运行或对话
记忆（存储跨对话上下文）	可以在对话之间共享的数据	✅	跨对话

在 LangGraph 中，构建一个智能体的基本步骤如下：

选择或定义模型：选择一个合适的语言模型作为智能体的核心，例如阿里云的 Tongyi 大模型。
定义工具函数：根据需要完成的任务，定义一系列工具函数，这些函数可以被智能体调用来获取外部信息或执行特定操作。
构建智能体：使用 LangGraph 提供的 create_react_agent 函数，将模型和工具函数组合成一个智能体。
调用智能体：通过调用智能体的 invoke 方法，传入用户的消息和配置信息，获取智能体的响应。

以下是一个简单的示例，展示如何构建一个能够回答关于中国工商银行保险问题的智能体：

# -*- coding: utf-8 -*-
from langgraph.prebuilt import create_react_agent
from langchain_community.chat_models.tongyi import ChatTongyi 
from langchain_core.messages import AnyMessage
from langchain_core.runnables import RunnableConfig
from langgraph.prebuilt.chat_agent_executor import AgentState

# 模型初始化
llm = ChatTongyi(
    model="qwen-turbo",
    temperature=0,
    verbose=True,
)

# 定义一个工具函数
def get_ICBC(anyStr: str) -> str:
    """获得中国工商银行的保险."""
    return "工银安盛人寿保险有限公司 简称工银安盛人寿!"


# 构建一个智能体
agent = create_react_agent(
    model=llm,
    tools=[get_ICBC],
)
# 智能体的调用
answer = agent.invoke(
    {
   
   "messages": [{
   
   "role": "user", "content": "你能告诉我中国工商银行的保险名称？"}]},
)

# for i in answer["messages"]:
#     print(i)
print(answer["messages"][-1].content)

运行结果截图

在这里插入图片描述
在这个示例中，我们定义了一个工具函数 get_ICBC，返回关于中国工商银行保险的信息。然后，使用 create_react_agent 函数创建了一个智能体，并通过 invoke 方法调用它，传入用户的问题。智能体会调用 get_ICBC 工具函数，并返回结果。

上下文管理

智能体的强大之处不仅在于其能够执行任务，还在于其能够根据上下文信息做出更智能的决策。
上下文信息可以包括用户的身份信息、历史对话记录、内部状态等。
LangGraph 提供了多种方式来管理上下文，使得智能体能够更好地理解和响应用户的需求。

配置（静态上下文）

配置是运行开始时传递给智能体的数据，在每次运行中保持不变。例如，我们可以为智能体设置一个用户名称，使其在对话中使用这个名称来称呼用户

1.使用上下文自定义提示词配置（静态上下文）

# -*- coding: utf-8 -*-
from langgraph.prebuilt import create_react_agent
from langchain_community.chat_models.tongyi import ChatTongyi 
from langchain_core.messages import AnyMessage
from langchain_core.runnables import RunnableConfig
from langgraph.prebuilt.chat_agent_executor import AgentState

# 模型初始化
llm = ChatTongyi(
    model="qwen-turbo",
    temperature=0,
    verbose=True,
)

# 定义一个工具函数
def get_ICBC(anyStr: str) -> str:
    """获得中国工商银行的保险."""
    return "工银安盛人寿保险有限公司 简称工银安盛人寿!"

#提示词方法
def prompt(
    state: AgentState,
    config: RunnableConfig