LangGraph学习笔记（六）---LangGraph ReAct应用

Jack___Xue2026-02-03 13:18

LangGraph学习笔记（六）---LangGraph ReAct应用

文章目录

一、ReAct

官方文档地址：https://langchain-ai.github.io/langgraph/how-tos/#prebuilt-react-agent

中文文档地址：https://www.aidoczh.com/langgraph/how-tos/#react

1.本文章目标

创建一个简单的 ReAct 代理应用程序，该应用程序可以检查天气。

该应用程序由一个代理（LLM）和工具组成。当我们与应用程序交互时，我们将首先调用代理（LLM）来决定是否应该使用工具。然后我们将运行一个循环

  1. 如果代理说要采取行动（即调用工具），我们将运行工具并将结果传递回代理
  2. 如果代理没有要求运行工具，我们将结束（响应用户）

预构建的代理

这里我们将使用预构建的代理。LangGraph 的一大优势 是你可以轻松创建自己的代理架构。建议你学习如何构建自己的代理，这样就可以充分利用 LangGraph。

2. 安装库

python 复制代码 
%pip install -U langgraph langchain-openai

3.代码

python 复制代码 
#示例：create_react_agent.py
# 首先我们初始化我们想要使用的模型。
from langchain_openai import ChatOpenAI

# 使用 gpt-4o 模型，设定温度为 0（温度控制生成内容的随机性，0 表示确定性输出）
model = ChatOpenAI(model="gpt-4o", temperature=0)

# 对于本教程，我们将使用一个自定义工具，该工具返回两个城市（纽约和旧金山）的预定义天气值
from typing import Literal
from langchain_core.tools import tool


# 定义一个工具函数 get_weather，它根据城市名称返回预定义的天气信息
@tool
def get_weather(city: Literal["nyc", "sf"]):
    """Use this to get weather information."""
    if city == "nyc":
        return "It might be cloudy in nyc"
    elif city == "sf":
        return "It's always sunny in sf"
    else:
        raise AssertionError("Unknown city")


# 将工具放入一个列表中
tools = [get_weather]

# 导入 create_react_agent 函数，用于创建 REACT 代理
from langgraph.prebuilt import create_react_agent

# 使用指定的模型和工具创建 REACT 代理
graph = create_react_agent(model, tools=tools)

4. 使用

① 让我们可视化刚刚创建的图

python 复制代码 
# 将生成的图片保存到文件
graph_png = graph.get_graph().draw_mermaid_png()
with open("create_react_agent.png", "wb") as f:
    f.write(graph_png)

② 使用需要工具调用的输入运行应用程序

python 复制代码 
# 定义一个函数用于打印流数据
def print_stream(stream):
    for s in stream:
        message = s["messages"][-1]
        if isinstance(message, tuple):
            print(message)
        else:
            message.pretty_print()
python 复制代码 
# 使用需要工具调用的输入运行应用程序
inputs = {"messages": [("user", "what is the weather in sf")]}
print_stream(graph.stream(inputs, stream_mode="values"))

③ 现在让我们尝试一个不需要工具的问题

python 复制代码 
# 尝试一个不需要工具的问题
inputs = {"messages": [("user", "who built you?")]}
print_stream(graph.stream(inputs, stream_mode="values"))

结果：

二、向 ReAct 代理添加记忆

本教程将展示如何向预构建的 ReAct 代理添加内存。 了解如何开始使用预构建的 ReAct 代理

要启用内存，我们只需要将 checkpointer 传递给 create_react_agents

1.设置

python 复制代码 
%pip install -U langgraph langchain-openai

2.代码

python 复制代码 
#示例：create_react_agent_memory.py
# 首先我们初始化我们想要使用的模型。
from langchain_openai import ChatOpenAI
# 使用 gpt-4o 模型，设定温度为 0（温度控制生成内容的随机性，0 表示确定性输出）
model = ChatOpenAI(model="gpt-4o", temperature=0)
# 对于本教程，我们将使用一个自定义工具，该工具返回两个城市（纽约和旧金山）的预定义天气值
from typing import Literal
# 从 langchain_core.tools 导入 tool 装饰器
from langchain_core.tools import tool


# 定义一个工具函数 get_weather，它根据城市名称返回预定义的天气信息
@tool
def get_weather(city: Literal["nyc", "sf"]):
    """Use this to get weather information."""
    if city == "nyc":
        return "It might be cloudy in nyc"
    elif city == "sf":
        return "It's always sunny in sf"
    else:
        raise AssertionError("Unknown city")


# 将工具放入一个列表中
tools = [get_weather]

# 我们可以使用 LangGraph 的检查点器添加"聊天记忆"到图中，以保留交互之间的聊天上下文
from langgraph.checkpoint.memory import MemorySaver

# 初始化 MemorySaver 实例
memory = MemorySaver()

# 定义图
from langgraph.prebuilt import create_react_agent

# 使用指定的模型、工具和检查点器创建 REACT 代理
graph = create_react_agent(model, tools=tools, checkpointer=memory)

3.用法

让我们与它进行多次交互，以表明它可以记住

python 复制代码 
# 定义一个函数用于打印流数据
def print_stream(stream):
    for s in stream:
        message = s["messages"][-1]
        if isinstance(message, tuple):
            print(message)
        else:
            message.pretty_print()
python 复制代码 
# 配置参数
config = {"configurable": {"thread_id": "1"}}
# 输入参数，包含用户消息
inputs = {"messages": [("user", "What's the weather in NYC?")]}
# 打印流输出
print_stream(graph.stream(inputs, config=config, stream_mode="values"))

请注意，当我们传递相同的线程 ID 时，聊天历史记录会保留

python 复制代码 
# 再次输入参数，包含用户消息
inputs = {"messages": [("user", "What's it known for?")]}
# 打印流输出
print_stream(graph.stream(inputs, config=config, stream_mode="values"))

三、向 ReAct 代理添加系统提示

本教程将展示如何向预构建的 ReAct 代理添加自定义系统提示。了解如何开始使用预构建的 ReAct 代理

可以通过将字符串传递给state_modifier参数来添加自定义系统提示。

1.设置

python 复制代码 
%pip install -U langgraph langchain-openai

2.代码

python 复制代码 
#示例：create_react_agent_system_prompt.py
# 首先我们初始化我们想要使用的模型。
from langchain_openai import ChatOpenAI
# 使用 gpt-4o 模型，设定温度为 0（温度控制生成内容的随机性，0 表示确定性输出）
model = ChatOpenAI(model="gpt-4o", temperature=0)
# 对于本教程，我们将使用一个自定义工具，该工具返回两个城市（纽约和旧金山）的预定义天气值
from typing import Literal
# 从 langchain_core.tools 导入 tool 装饰器
from langchain_core.tools import tool


# 定义一个工具函数 get_weather，它根据城市名称返回预定义的天气信息
@tool
def get_weather(city: Literal["nyc", "sf"]):
    """Use this to get weather information."""
    if city == "nyc":
        return "It might be cloudy in nyc"
    elif city == "sf":
        return "It's always sunny in sf"
    else:
        raise AssertionError("Unknown city")


# 将工具放入一个列表中
tools = [get_weather]

# 我们可以在这里添加系统提示
prompt = "Respond in Chinese"

# 定义图
from langgraph.prebuilt import create_react_agent

# 使用指定的模型、工具和状态修改器（系统提示）创建 REACT 代理
graph = create_react_agent(model, tools=tools, state_modifier=prompt)

3.使用

python 复制代码 
# 定义一个函数用于打印流数据
def print_stream(stream):
    for s in stream:
        message = s["messages"][-1]
        if isinstance(message, tuple):
            print(message)
        else:
            message.pretty_print()
python 复制代码 
# 输入参数，包含用户消息
inputs = {"messages": [("user", "What's the weather in NYC?")]}
# 打印流输出
print_stream(graph.stream(inputs, stream_mode="values"))

四、向 ReAct 代理添加人机交互

本教程将演示如何向预构建的 ReAct 代理添加人机交互环过程。有关如何开始使用预构建的 ReAct 代理，请参阅本教程

通过将interrupt_before=["tools"]传递给create_react_agent，可以在调用工具之前添加断点。请注意，您需要使用检查点才能使其正常工作。

1.设置

python 复制代码 
%pip install -U langgraph langchain-openai

2.代码

python 复制代码 
#示例：create_react_agent-hitl.py
# 首先我们初始化我们想要使用的模型。
from langchain_openai import ChatOpenAI

# 使用 gpt-4o 模型，设定温度为 0（温度控制生成内容的随机性，0 表示确定性输出）
model = ChatOpenAI(model="gpt-4o", temperature=0)

# 对于本教程，我们将使用一个自定义工具，该工具返回两个城市（纽约和旧金山）的预定义天气值
from typing import Literal

# 从 langchain_core.tools 导入 tool 装饰器
from langchain_core.tools import tool


# 定义一个工具函数 get_weather，它根据城市名称返回预定义的天气信息
@tool
def get_weather(city: Literal["nyc", "sf"]):
    """Use this to get weather information."""
    if city == "nyc":
        return "It might be cloudy in nyc"
    elif city == "sf":
        return "It's always sunny in sf"
    else:
        raise AssertionError("Unknown city")


# 将工具放入一个列表中
tools = [get_weather]

# 我们需要一个检查点器来启用人机交互模式
from langgraph.checkpoint.memory import MemorySaver

# 初始化 MemorySaver 实例
memory = MemorySaver()

# 定义图
from langgraph.prebuilt import create_react_agent

# 使用指定的模型、工具和检查点器创建 REACT 代理
graph = create_react_agent(
    model, tools=tools, interrupt_before=["tools"], checkpointer=memory
)

3.使用

python 复制代码 
# 定义一个函数用于打印流数据
def print_stream(stream):
    for s in stream:
        message = s["messages"][-1]
        if isinstance(message, tuple):
            print(message)
        else:
            message.pretty_print()
python 复制代码 
# 配置参数
config = {"configurable": {"thread_id": "42"}}
# 输入参数，包含用户消息
inputs = {"messages": [("user", "What's the weather in SF?")]}

# 打印流输出
print_stream(graph.stream(inputs, config, stream_mode="values"))
python 复制代码 
# 获取图的状态快照
snapshot = graph.get_state(config)
# 打印下一步信息
print("Next step: ", snapshot.next)
python 复制代码 
Next step:  ('tools',)
python 复制代码 
# 打印后续流输出
print_stream(graph.stream(None, config, stream_mode="values"))

总结

记得关注么么叽

相关推荐
mightbxg16 小时前
【学习一下】深入理解交叉熵
人工智能·学习·机器学习
weixin_4588726116 小时前
东华复试OJ每日3题打卡·复盘100~102
学习
章丸丸16 小时前
Tube - Video Reactions
react.js·node.js·next.js
AKclown16 小时前
Vibe coding(AI编程一网打尽)
前端·react.js
桂花很香,旭很美16 小时前
Anthropic Agent 工程实战笔记（二）工具设计
笔记·架构·language model
攀攀大大17 小时前
react图解源码之初始化挂载
react.js
我命由我1234517 小时前
Photoshop - Ps还原和历史记录
学习·ui·职场和发展·求职招聘·职场发展·学习方法·photoshop
evle17 小时前
从 Recoil 的兴衰看前端状态管理的技术选型
前端·react.js
我命由我1234517 小时前
Photoshop - Ps工作界面
学习·ui·职场和发展·求职招聘·职场发展·学习方法·photoshop
梅羽落17 小时前
XPath笔记
笔记
热门推荐
01GitHub 镜像站点02Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services03AI Agent 平台横评：ZeroClaw vs OpenClaw vs Nanobot04Clawdbot部署教程：解决‘gateway token missing’授权问题的完整步骤05【OpenClaw 本地实战 Ep.3】突破瓶颈：强制修改 openclaw.json 解锁 32k 上下文记忆06OpenClaw 安装之（三）DeepSeek模型接入配置和详细配置参数07配置 OpenClaw 使用 Ollama 本地模型08AI 规范驱动开发“三剑客”深度对比：Spec-Kit、Kiro 与 OpenSpec 实战指南09HTML 早已不是标签了，它现在是系统级接口：这 9 个 API 直接干翻常用 JS 库10AI agent：介绍 ZeroClaw 安装，使用