构建多智能体AI🤖👱🏼🤖-第一章-LangChain与LangGraph

LangGraph和LangChain都是⽤于构建和管理⼤型语⾔模型应⽤的⼯具，它们都提供了⼀种简单易⽤的⽅式来构建和管理复杂的应⽤程序。只不过，LangChain更关注于应⽤程序的整体流程，⽽LangGraph更关注于如何处理特定的任务。

关于LangGraph的细节，在后续章节中会详细介绍。这⾥，我们先⽤最简单直⽩的⽅式来对⽐⼀下LangChain和LangGraph在和⼤语⾔模型做交互时的基础思想有什么区别。

要使⽤LangGraph，⾸先需要安装LangGraph的依赖库

! pip install langgraph

## 后⾯的案例中会⽤到langchain,所以同时也安装下langchain的依赖

! pip install langchain

! pip install langchain_community

! pip install -U langchain-deepseek

实际上，从依赖库的安装过程就能看到，LangGraph是依赖于LangChain库的。

然后，先从基础的访问⼤模型的API开始。⽐较⼀下LangChain和LangGraph的访问⼤模型的API的区别。

使⽤LangChain访问⼤模型最基础的⽅式是使⽤init_chat_model创建⼀个ChatModel，⼤模型对象。通过这个⼤模型对象完成与⼤模型的交互。

import os

os.environ["DEEPSEEK_API_KEY"] = "key"

def load_key(key_name: str) -> str:
    key = os.environ.get(key_name)
    if key is None:
        raise ValueError(f"环境变量 {key_name} 未设置")
    return key

# 设置 DeepSeek API Key（如果未设置则加载）
if not os.environ.get("DEEPSEEK_API_KEY"):
    os.environ["DEEPSEEK_API_KEY"] = load_key("DEEPSEEK_API_KEY")

from langchain.chat_models import init_chat_model

# 初始化 DeepSeek 模型
model = init_chat_model(
    model="deepseek-chat",  # 或 "deepseek-coder"，取决于你用哪个模型
    model_provider="deepseek",
    base_url="https://api.deepseek.com",  # 官方默认地址，如有代理请替换
    api_key=os.environ["DEEPSEEK_API_KEY"]
)

# 测试调用
response = model.invoke("你是谁？你能帮我解决什么问题？")
print(response)

然后，使用LangGraph访问大模型的代码如下：

import os
from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent

# 1. 设置 API key
os.environ["DEEPSEEK_API_KEY"] = "key"

# 2. 初始化 DeepSeek 模型
model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    base_url="https://api.deepseek.com",
    api_key=os.environ["DEEPSEEK_API_KEY"]
)

# 3. 创建 agent
agent = create_react_agent(
    model=model,
    tools=[],
    prompt="You are a helpful assistant",
)

# 4. 测试调用
result = agent.invoke({
    "messages": [{"role": "user", "content": "你是谁？能帮我解决什么问题？"}]
})
print(result)

而如果要个⼤模型提供⼀些⾃定义的辅助⼯具，使⽤LangChain⽅式是这样的：

import os
import datetime
from langchain.tools import tool
from langchain_community.chat_models import ChatTongyi

def load_key(key_name: str) -> str:
    key = os.environ.get(key_name)
    if key is None:
        raise ValueError(f"环境变量 {key_name} 未设置")
    return key

# 构建阿里云百炼大模型客户端
llm = ChatTongyi(
    model="qwen-plus",
    api_key="key",
)

@tool
def get_current_date():
    """获取今天日期"""
    return datetime.datetime.today().strftime("%Y-%m-%d")

llm_with_tools = llm.bind_tools([get_current_date])
all_tools = {"get_current_date": get_current_date}

query = "今天是几月几号"
messages = [query]

ai_msg = llm_with_tools.invoke(messages)
print(ai_msg)
messages.append(ai_msg)
print(ai_msg.tool_calls)

if ai_msg.tool_calls:
    for tool_call in ai_msg.tool_calls:
        selected_tool = all_tools[tool_call["name"].lower()]
        tool_msg = selected_tool.invoke(tool_call)
        messages.append(tool_msg)

print(llm_with_tools.invoke(messages).content)

使用LangGraph后，使⽤的⽅式是这样的：

from langgraph.prebuilt import create_react_agent
agent = create_react_agent(
  model=llm,
  tools=[get_current_date],
  prompt="You are a helpful assistant",
)
agent.invoke({"messages":[{"role":"user","content":"今天是⼏⽉⼏号"}]})

从这个案例⼤概可以简单的感受到，LangGraph的⼀部分核⼼功能就是要在LangChain的基础上，以Agent智能体的⽅式，提供更简单实⽤的功能封装，从⽽让我们可以更⽅便的使⽤LangChain的功能。

当然，Agent的功能封装远不⽌这个案例中这么简单。通过LangGraph的Agent功能，可以将与⼤⼤模型交互的各种基础功能统⼀封装成独⽴的Agent，⽽不⽤过多关注Agent内部的实现细节。

接下来，有了Agent之后，LangGraph还通过Graph图的⽅式，可以将多个Agent智能体串联起来，实现更加复杂的应⽤。

例如，我们之前实现了⼀个查询今天⽇期的Agent，接下来可以再实现航班信息的Agent，将这两个Agent串联起来，就可以完成⼀个出⾏规划的复合任务。

这些在后⾯章节会逐步介绍。