欢迎来到 SuifengFlying!

1
from typing import Literal
2
from langchain_core.messages import HumanMessage
3
from langchain_core.tools import tool
4
from langchain_openai import ChatOpenAI
5
# pip install langgraph
6
from langgraph.checkpoint.memory import MemorySaver
7
from langgraph.graph import END, StateGraph, MessagesState
8
from langgraph.prebuilt import ToolNode
9

10
# 定义工具函数，用于代理调用外部工具
11
@tool
12
def search(query: str):
13
    """模拟一个搜索工具"""
14
    if "上海" in query.lower() or "Shanghai" in query.lower():
15
        return "现在30度，有雾."
16
    return "现在是35度，阳光明媚。"
17

18

19
# 将工具函数放入工具列表
20
tools = [search]
21

22
# 创建工具节点
23
tool_node = ToolNode(tools)
24

25
# 1.初始化模型和工具，定义并绑定工具到模型
26
model = ChatOpenAI(model="gpt-4o", temperature=0).bind_tools(tools)
27

28
# 定义函数，决定是否继续执行
29
def should_continue(state: MessagesState) -> Literal["tools", END]:
30
    messages = state['messages']
31
    last_message = messages[-1]
32
    # 如果LLM调用了工具，则转到“tools”节点
33
    if last_message.tool_calls:
34
        return "tools"
35
    # 否则，停止（回复用户）
36
    return END
37

38

39
# 定义调用模型的函数
40
def call_model(state: MessagesState):
41
    messages = state['messages']
42
    response = model.invoke(messages)
43
    # 返回列表，因为这将被添加到现有列表中
44
    return {"messages": [response]}
45

46
# 2.用状态初始化图，定义一个新的状态图
47
workflow = StateGraph(MessagesState)
48
# 3.定义图节点，定义我们将循环的两个节点
49
workflow.add_node("agent", call_model)
50
workflow.add_node("tools", tool_node)
51

52
# 4.定义入口点和图边
53
# 设置入口点为“agent”
54
# 这意味着这是第一个被调用的节点
55
workflow.set_entry_point("agent")
56

57
# 添加条件边
58
workflow.add_conditional_edges(
59
    # 首先，定义起始节点。我们使用`agent`。
60
    # 这意味着这些边是在调用`agent`节点后采取的。
61
    "agent",
62
    # 接下来，传递决定下一个调用节点的函数。
63
    should_continue,
64
)
65

66
# 添加从`tools`到`agent`的普通边。
67
# 这意味着在调用`tools`后，接下来调用`agent`节点。
68
workflow.add_edge("tools", 'agent')
69

70
# 初始化内存以在图运行之间持久化状态
71
checkpointer = MemorySaver()
72

73
# 5.编译图
74
# 这将其编译成一个LangChain可运行对象，
75
# 这意味着你可以像使用其他可运行对象一样使用它。
76
# 注意，我们（可选地）在编译图时传递内存
77
app = workflow.compile(checkpointer=checkpointer)
78

79
# 6.执行图，使用可运行对象
80
final_state = app.invoke(
81
    {"messages": [HumanMessage(content="上海的天气怎么样?")]},
82
    config={"configurable": {"thread_id": 42}}
83
)
84
# 从 final_state 中获取最后一条消息的内容
85
result = final_state["messages"][-1].content
86
print(result)
87
final_state = app.invoke(
88
    {"messages": [HumanMessage(content="我问的那个城市?")]},
89
    config={"configurable": {"thread_id": 42}}
90
)
91
result = final_state["messages"][-1].content
92
print(result)