一个视频带你搞定langgraph子图可控性
在复杂的多代理协作场景中，LangGraph 支持2子图之间的状态共享。主图可以通过状态对象与子图交互，确保各子图能够访问和更新全局状态。这种机制使得多个智能体可以协同工作，同时保持状态的一致性。
对于更复杂的系统，子图是一个有用的设计原则。子图允许您在图的不同部分创建和管理不同的状态。
perl
%pip install -U langgraph示例：我有一个接受日志并执行两个独立子任务的系统。首先，它将对它们进行总结。其次，它将总结日志中捕获的任何故障模式。我想在两个不同的子图中执行这两个操作。
最重要的是要认识到图之间的信息传递。入口图 是父级，两个子图中的每一个都被定义为 入口图 中的节点。两个子图都继承了父级 入口图 的状态；我可以在每个子图中访问 docs，只需在子图状态中指定它（参见图）。每个子图都可以有自己的私有状态。任何我想传播回父级 入口图 的值（用于最终报告）只需在我的 入口图 状态中定义即可（例如，summary report 和 failure report）。
python
#示例：sub_graph.py
from typing import List, TypedDict, Optional
from langgraph.graph import StateGraph, START, END
# 定义日志的结构
class Logs(TypedDict):
id: str # 日志的唯一标识符
question: str # 问题文本
docs: Optional[List] # 可选的相关文档列表
answer: str # 回答文本
grade: Optional[int] # 可选的评分
grader: Optional[str] # 可选的评分者
feedback: Optional[str] # 可选的反馈信息
# 定义故障分析状态的结构
class FailureAnalysisState(TypedDict):
docs: List[Logs] # 日志列表
failures: List[Logs] # 失败的日志列表
fa_summary: str # 故障分析总结
# 获取失败的日志
def get_failures(state):
docs = state["docs"] # 从状态中获取日志
failures = [doc for doc in docs if "grade" in doc] # 筛选出包含评分的日志
return {"failures": failures} # 返回包含失败日志的字典
# 生成故障分析总结
def generate_summary(state):
failures = state["failures"] # 从状态中获取失败的日志
# 添加函数：fa_summary = summarize(failures)
fa_summary = "Poor quality retrieval of Chroma documentation." # 固定的总结内容
return {"fa_summary": fa_summary} # 返回包含总结的字典
# 创建故障分析的状态图
fa_builder = StateGraph(FailureAnalysisState)
fa_builder.add_node("get_failures", get_failures) # 添加节点：获取失败的日志
fa_builder.add_node("generate_summary", generate_summary) # 添加节点：生成总结
fa_builder.add_edge(START, "get_failures") # 添加边：从开始到获取失败的日志
fa_builder.add_edge("get_failures", "generate_summary") # 添加边：从获取失败的日志到生成总结
fa_builder.add_edge("generate_summary", END) # 添加边：从生成总结到结束
# 定义问题总结状态的结构
class QuestionSummarizationState(TypedDict):
docs: List[Logs] # 日志列表
qs_summary: str # 问题总结
report: str # 报告
# 生成问题总结
def generate_summary(state):
docs = state["docs"] # 从状态中获取日志
# 添加函数：summary = summarize(docs)
summary = "Questions focused on usage of ChatOllama and Chroma vector store." # 固定的总结内容
return {"qs_summary": summary} # 返回包含总结的字典
# 发送总结到Slack
def send_to_slack(state):
qs_summary = state["qs_summary"] # 从状态中获取问题总结
# 添加函数：report = report_generation(qs_summary)
report = "foo bar baz" # 固定的报告内容
return {"report": report} # 返回包含报告的字典
# 格式化报告以便在Slack中发送
def format_report_for_slack(state):
report = state["report"] # 从状态中获取报告
# 添加函数：formatted_report = report_format(report)
formatted_report = "foo bar" # 固定的格式化报告内容
return {"report": formatted_report} # 返回包含格式化报告的字典
# 创建问题总结的状态图
qs_builder = StateGraph(QuestionSummarizationState)
qs_builder.add_node("generate_summary", generate_summary) # 添加节点：生成总结
qs_builder.add_node("send_to_slack", send_to_slack) # 添加节点：发送到Slack
qs_builder.add_node("format_report_for_slack", format_report_for_slack) # 添加节点：格式化报告
qs_builder.add_edge(START, "generate_summary") # 添加边：从开始到生成总结
qs_builder.add_edge("generate_summary", "send_to_slack") # 添加边：从生成总结到发送到Slack
qs_builder.add_edge("send_to_slack", "format_report_for_slack") # 添加边：从发送到Slack到格式化报告
qs_builder.add_edge("format_report_for_slack", END) # 添加边：从格式化报告到结束请注意，每个子图都有自己的状态，QuestionSummarizationState 和 FailureAnalysisState。
定义完每个子图后，我们把所有东西都拼凑在一起。
python
#示例：sub_graph_combine.py
from operator import add
from typing import TypedDict, Annotated, Optional, List, Dict, Any, get_type_hints
from langgraph.graph import StateGraph, START, END
# 定义日志的结构
class Logs(TypedDict):
id: str # 日志的唯一标识符
question: str # 问题文本
docs: Optional[List] # 可选的相关文档列表
answer: str # 回答文本
grade: Optional[int] # 可选的评分
grader: Optional[str] # 可选的评分者
feedback: Optional[str] # 可选的反馈信息
# 定义故障分析状态的结构
class FailureAnalysisState(TypedDict):
docs: List[Logs] # 日志列表
failures: List[Logs] # 失败的日志列表
fa_summary: str # 故障分析总结
# 获取失败的日志
def get_failures(state):
docs = state["docs"] # 从状态中获取日志
failures = [doc for doc in docs if "grade" in doc] # 筛选出包含评分的日志
return {"failures": failures} # 返回包含失败日志的字典
# 生成故障分析总结
def generate_summary(state):
failures = state["failures"] # 从状态中获取失败的日志
# 添加函数：fa_summary = summarize(failures)
fa_summary = "Poor quality retrieval of Chroma documentation." # 固定的总结内容
return {"fa_summary": fa_summary} # 返回包含总结的字典
# 创建故障分析的状态图
fa_builder = StateGraph(FailureAnalysisState)
fa_builder.add_node("get_failures", get_failures) # 添加节点：获取失败的日志
fa_builder.add_node("generate_summary", generate_summary) # 添加节点：生成总结
fa_builder.add_edge(START, "get_failures") # 添加边：从开始到获取失败的日志
fa_builder.add_edge("get_failures", "generate_summary") # 添加边：从获取失败的日志到生成总结
fa_builder.add_edge("generate_summary", END) # 添加边：从生成总结到结束
# 定义问题总结状态的结构
class QuestionSummarizationState(TypedDict):
docs: List[Logs] # 日志列表
qs_summary: str # 问题总结
report: str # 报告
# 生成问题总结
def generate_summary(state):
failures = state["failures"] # 从状态中获取失败的日志
# 添加函数：fa_summary = summarize(failures)
fa_summary = "Chroma文档检索质量差." # 固定的总结内容
return {"fa_summary": fa_summary} # 返回包含总结的字典
# 发送总结到Slack
def send_to_slack(state):
qs_summary = state["qs_summary"] # 从状态中获取问题总结
# 添加函数：report = report_generation(qs_summary)
report = "foo bar baz" # 固定的报告内容
return {"report": report} # 返回包含报告的字典
# 格式化报告以便在Slack中发送
def format_report_for_slack(state):
report = state["report"] # 从状态中获取报告
# 添加函数：formatted_report = report_format(report)
formatted_report = "foo bar" # 固定的格式化报告内容
return {"report": formatted_report} # 返回包含格式化报告的字典
# 创建问题总结的状态图
qs_builder = StateGraph(QuestionSummarizationState)
qs_builder.add_node("generate_summary", generate_summary) # 添加节点：生成总结
qs_builder.add_node("send_to_slack", send_to_slack) # 添加节点：发送到Slack
qs_builder.add_node("format_report_for_slack", format_report_for_slack) # 添加节点：格式化报告
qs_builder.add_edge(START, "generate_summary") # 添加边：从开始到生成总结
qs_builder.add_edge("generate_summary", "send_to_slack") # 添加边：从生成总结到发送到Slack
qs_builder.add_edge("send_to_slack", "format_report_for_slack") # 添加边：从发送到Slack到格式化报告
qs_builder.add_edge("format_report_for_slack", END) # 添加边：从格式化报告到结束
# Dummy logs
question_answer = Logs(
id="1",
question="如何导入ChatOpenAI？",
answer="要导入ChatOpenAI, 使用: 'from langchain_openai import ChatOpenAI.'",
)
question_answer_feedback = Logs(
id="2",
question="如何使用Chroma向量存储?",
answer="要使用Chroma，请定义: rag_chain = create_retrieval_chain(retriever, question_answer_chain).",
grade=0,
grader="文档相似性回顾",
feedback="检索到的文档一般讨论了向量存储，但没有专门讨论Chroma",
)
# Entry Graph
class EntryGraphState(TypedDict):
raw_logs: Annotated[List[Dict], add]
docs: Annotated[List[Logs], add] # This will be used in sub-graphs
fa_summary: str # This will be generated in the FA sub-graph
report: str # This will be generated in the QS sub-graph
def convert_logs_to_docs(state):
# Get logs
raw_logs = state["raw_logs"]
docs = [question_answer, question_answer_feedback]
return {"docs": docs}
entry_builder = StateGraph(EntryGraphState)
entry_builder.add_node("convert_logs_to_docs", convert_logs_to_docs)
entry_builder.add_node("question_summarization", qs_builder.compile())
entry_builder.add_node("failure_analysis", fa_builder.compile())
entry_builder.add_edge(START, "convert_logs_to_docs")
entry_builder.add_edge("convert_logs_to_docs", "failure_analysis")
entry_builder.add_edge("convert_logs_to_docs", "question_summarization")
entry_builder.add_edge("failure_analysis", END)
entry_builder.add_edge("question_summarization", END)
# 编译图
app = entry_builder.compile()
# 将生成的图片保存到文件
graph_png = app.get_graph(xray=1).draw_mermaid_png()
with open("sub_graph_combine.png", "wb") as f:
f.write(graph_png)
ini
raw_logs = [{"foo": "bar"}, {"foo": "baz"}]
print(app.invoke({"raw_logs": raw_logs}, debug=False))
arduino
{'raw_logs': [{'foo': 'bar'}, {'foo': 'baz'}], 'docs': [
{'id': '1', 'question': '如何导入ChatOpenAI？', 'answer': "要导入ChatOpenAI, 使用: 'from langchain_openai import ChatOpenAI.'"},
{'id': '2', 'question': '如何使用Chroma向量存储?', 'answer': '要使用Chroma，请定义: rag_chain = create_retrieval_chain(retriever, question_answer_chain).', 'grade': 0, 'grader': '文档相似性回顾', 'feedback': '检索到的文档一般讨论了向量存储，但没有专门讨论Chroma'},
{'id': '1', 'question': '如何导入ChatOpenAI？', 'answer': "要导入ChatOpenAI, 使用: 'from langchain_openai import ChatOpenAI.'"},
{'id': '2', 'question': '如何使用Chroma向量存储?', 'answer': '要使用Chroma，请定义: rag_chain = create_retrieval_chain(retriever, question_answer_chain).', 'grade': 0, 'grader': '文档相似性回顾', 'feedback': '检索到的文档一般讨论了向量存储，但没有专门讨论Chroma'},
{'id': '1', 'question': '如何导入ChatOpenAI？', 'answer': "要导入ChatOpenAI, 使用: 'from langchain_openai import ChatOpenAI.'"},
{'id': '2', 'question': '如何使用Chroma向量存储?', 'answer': '要使用Chroma，请定义: rag_chain = create_retrieval_chain(retriever, question_answer_chain).', 'grade': 0, 'grader': '文档相似性回顾', 'feedback': '检索到的文档一般讨论了向量存储，但没有专门讨论Chroma'}],
'fa_summary': 'Chroma文档检索质量差.',
'report': 'foo bar'}