LangGraph — это фреймворк для создания приложений LLM с сохранением состояния, что делает его хорошим выбором для построения агентов ReAct (рассуждения и действия).
Агенты ReAct сочетают рассуждения на уровне языковых моделей с выполнением действий. Они итеративно мыслят, используют инструменты и действуют на основе наблюдений для достижения целей пользователя, динамически адаптируя свой подход. Этот шаблон, представленный в статье "ReAct: Synergizing Reasoning and Acting in Language Models" (2023), стремится имитировать человекоподобное, гибкое решение проблем, а не жесткие рабочие процессы.
LangGraph предлагает готовый агент ReAct ( create_react_agent ), который отлично подходит, когда вам требуется больше контроля и возможностей для настройки ваших реализаций ReAct. В этом руководстве мы покажем вам упрощенную версию.
В LangGraph агенты моделируются как графы с использованием трех ключевых компонентов:
-
State: Общая структура данных (обычноTypedDictилиPydantic BaseModel), представляющая текущий снимок состояния приложения. -
Nodes: Кодируют логику ваших агентов. Они получают текущее состояние в качестве входных данных, выполняют некоторые вычисления или побочные эффекты и возвращают обновленное состояние, например, вызовы LLM или вызовы инструментов. -
Edges: Определяют следующийNodeдля выполнения на основе текущегоState, допуская условную логику и фиксированные переходы.
Если у вас еще нет ключа API, вы можете получить его в Google AI Studio .
pip install langgraph langchain-google-genai geopy requests
Укажите свой API-ключ в переменной среды GEMINI_API_KEY .
import os
# Read your API key from the environment variable or set it manually
api_key = os.getenv("GEMINI_API_KEY")
Чтобы лучше понять, как реализовать агента ReAct с использованием LangGraph, в этом руководстве мы рассмотрим практический пример. Вы создадите агента, цель которого — использовать инструмент для определения текущей погоды в указанном месте.
Для этого метеорологического агента State будет вести историю текущих разговоров (в виде списка сообщений) и счетчик (в виде целого числа) количества пройденных шагов, в иллюстративных целях.
LangGraph предоставляет вспомогательную функцию add_messages для обновления списков сообщений в состоянии. Она функционирует как редуктор , принимая текущий список плюс новые сообщения и возвращая объединенный список. Она обрабатывает обновления по идентификатору сообщения и по умолчанию использует поведение "только добавление" для новых, ранее не встречавшихся сообщений.
from typing import Annotated,Sequence, TypedDict
from langchain_core.messages import BaseMessage
from langgraph.graph.message import add_messages # helper function to add messages to the state
class AgentState(TypedDict):
"""The state of the agent."""
messages: Annotated[Sequence[BaseMessage], add_messages]
number_of_steps: int
Далее, определите, какой инструмент для прогноза погоды вам нужен.
from langchain_core.tools import tool
from geopy.geocoders import Nominatim
from pydantic import BaseModel, Field
import requests
geolocator = Nominatim(user_agent="weather-app")
class SearchInput(BaseModel):
location:str = Field(description="The city and state, e.g., San Francisco")
date:str = Field(description="the forecasting date for when to get the weather format (yyyy-mm-dd)")
@tool("get_weather_forecast", args_schema=SearchInput, return_direct=True)
def get_weather_forecast(location: str, date: str):
"""Retrieves the weather using Open-Meteo API.
Takes a given location (city) and a date (yyyy-mm-dd).
Returns:
A dict with the time and temperature for each hour.
"""
# Note that Colab may experience rate limiting on this service. If this
# happens, use a machine to which you have exclusive access.
location = geolocator.geocode(location)
if location:
try:
response = requests.get(f"https://api.open-meteo.com/v1/forecast?latitude={location.latitude}&longitude={location.longitude}&hourly=temperature_2m&start_date={date}&end_date={date}")
data = response.json()
return dict(zip(data[