LangGraph官方文档笔记(七)——Agent的输入输出

LangGraph文档解释:github.langchain.ac.cn/langgraphjs...

一、输入格式

代理输入必须是一个包含 messages 键的对象,支持多种输入形式,且会自动转换为 LangChain 内部消息格式。具体格式如下:

  • 字符串格式
    { messages: "Hello" }
    会被解释为 HumanMessage(用户消息)。
  • 消息对象格式
    { messages: { "role": "user", "content": "Hello" } }
    直接指定角色(如 user)和内容。
  • 消息列表格式
    { messages: [{"role": "user", "content": "Hello"}] }
    支持多条消息按顺序传入。
  • 带自定义状态格式
    { messages: [{"role": "user", "content": "Hello"}], "user_name": "Alice" }
    若定义了 stateSchema,可添加额外字段(如 user_name),用于动态调整代理行为。

二、输出格式

代理输出是一个字典,包含以下核心内容:

  • messages
    执行过程中所有消息的列表,包括用户输入、助手回复、工具调用等完整交互记录。
  • structuredResponse(可选)
    若配置了结构化输出(如 JSON 格式),会在此字段中包含解析后的结果。
    LangGraph配置结构化输出文档
  • 自定义状态字段(可选)
    若定义了 stateSchema,输出会包含工具执行结果或提示逻辑更新的状态值(如 user_name)。

示例

json 复制代码
{
  "messages": [
    {"role": "user", "content": "what is the weather in sf"},
    {"role": "assistant", "content": "Thinking... need to call weather tool"},
    {"role": "tool", "name": "getWeather", "parameters": {"location": "SF"}},
    {"role": "assistant", "content": "The weather in SF is sunny."}
  ],
  "structuredResponse": {"weather": "sunny", "temperature": "22°C"},
  "user_name": "Alice"  // 自定义状态字段
}

三、对比与应用场景

场景 输入格式示例 输出格式核心字段
简单文本交互 { messages: "What's today's date?" } messages(包含助手回复)
复杂对话历史 { messages: [{"role": "user", "content": "First question"}, ...] } messages(按顺序记录所有消息)
工具调用场景 { messages: ["Get weather in NY"], "location": "New York" } messages(包含工具调用记录)、structuredResponse(天气数据)
自定义状态管理 { messages: ["Hello"], "user_id": 123 } messagesuser_id(状态保留)

四、延伸

  • 输入转换逻辑:所有输入格式最终都会被解析为 LangChain 消息对象,确保代理能统一处理不同形式的输入。
  • 输出扩展性 :通过 stateSchema 可自定义输出字段,适用于需要持久化用户状态或工具调用结果的场景(如多轮对话中保存用户偏好)。
  • 与流式输出的结合 :流式输出时,每次更新会逐步返回 messages 中的内容片段,提升用户交互体验(如实时显示 LLM 生成过程)。

原文地址:https://www.cnblogs.com/LiShengTrip/p/18957212

相关推荐
吴佳浩7 小时前
Langchain 浅出
python·langchain·llm
山顶夕景9 小时前
【RL】Does RLVR enable LLMs to self-improve?
深度学习·llm·强化学习·rlvr
AndrewHZ14 小时前
【图像处理基石】如何使用大模型进行图像处理工作?
图像处理·人工智能·深度学习·算法·llm·stablediffusion·可控性
mwq3012314 小时前
LLM 推理的“显存墙”与“通信墙”:从显存分布到部署原则
llm
rgb2gray16 小时前
增强城市数据分析:多密度区域的自适应分区框架
大数据·python·机器学习·语言模型·数据挖掘·数据分析·llm
Seal软件17 小时前
GPUStack v2:推理加速释放算力潜能,开源重塑大模型推理下半场
llm·gpu
FreeCode18 小时前
LangGraph1.0智能体开发:运行时系统
python·langchain·agent
信也科技布道师FTE18 小时前
当AMIS遇见AI智能体:如何为低代码开发装上“智慧大脑”?
人工智能·低代码·llm
智泊AI18 小时前
建议所有初学者都这样去微调大模型!
llm
大模型教程19 小时前
智能体变笨了是什么原因? 怎么优化?
程序员·llm·agent