news 2026/4/23 13:48:19

LangChain | LangGraph V1教程 #2 搭建测试环境到传递消息

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
LangChain | LangGraph V1教程 #2 搭建测试环境到传递消息

搭建测试环境

LangSmith

langsmith是一个官方的测试环境，可以帮助我们测试智能体，在开发智能体时很有用:

# Python >= 3.11 is required. uv add langgraph-cli

然后你需要注册一个langsmith官方账号来获得密钥，这里我们可以只使用它的本地功能，而是从github上下载一个前端来部署(也就是不把项目交付给langGraph官方服务器跑测试，因为要挂梯子麻烦不安全)

先完成以下步骤:

创建 LangGraph 配置文件

在项目根目录下创建langgraph.json文件：

agent路径可自由更改，主要看你的智能体在哪里

{"dependencies":["."],"graphs":{"agent":"./src/agent.py:agent"},"env":".env"}

启动本地的 Agent 服务器：

langgraph dev Ctrl+C关闭

LangGraph安装

uv add langgraph IPython

状态State

状态展示了图的配置并随跟踪时间变化，作为所有节点和边的输入和输出

classState(TypedDict):""" 定义一个类型化的字典类，用于表示状态信息。 这个类继承自TypedDict，提供了静态类型检查的支持， 确保字典中必须包含指定类型的键值对。 属性: state (str): 表示状态的字符串值 """state:str

节点State

节点是一个python函数，函数的第一个参数是State(状态)

# 节点defnode_1(state):print("节点1执行中...")return{"state":state["state"]+"->节点1"}defnode_2(state):print("节点2执行中...")return{"state":state["state"]+"->节点2"}defnode_3(state):print("节点3执行中...")return{"state":state["state"]+"->节点3"}defnode_4(state):print("节点4执行中...")return{"state":state["state"]+"->节点4"}

边Edges

边代表两个节点的连接，定义它们之间的关系，有普通边和条件边

  • 普通边:总是按照既定路径执行
  • 条件边:节点之间的可选路径，基于函数逻辑返回下一个节点
# 边defget_random_edge(state)->Literal["node2","node3"]:""" 获取一个随机的边。 返回: str: 随机的边名称 """current_state=state['state']ifrandom.random()<0.5:return"node2"else:return"node3"

构建图

importosimporttempfilefromlanggraph.constantsimportSTART,ENDfromlanggraph.graphimportStateGraphfromIPython.displayimportImage,displayfromsrc.node_and_edgeimportnode_1,node_2,node_3,node_4,get_random_edge,State# 生成图构建器builder=StateGraph(State)builder.add_node("node1",node_1)builder.add_node("node2",node_2)builder.add_node("node3",node_3)builder.add_node("node4",node_4)# 定义边builder.add_edge(START,"node1")builder.add_conditional_edges("node1",get_random_edge)builder.add_edge("node2","node4")builder.add_edge("node3","node4")builder.add_edge("node4",END)# 编译图graph=builder.compile()# 可视化# 获取 PNG 数据png_data=graph.get_graph().draw_mermaid_png()# 保存到临时文件并打开withtempfile.NamedTemporaryFile(delete=False,suffix=".png")astmp:tmp.write(png_data)tmp_path=tmp.name# 用默认图片查看器打开（Windows）os.startfile(tmp_path)result=graph.invoke({"state":"你好，你能干什么"})

完整示例:

消息

消息是 LangChain 中模型上下文的基本单位。它们代表模型的输入和输出，携带内容和元数据，用于在与 LLM 交互时表示对话状态。

消息是包含以下内容的对象：

  • 角色- 标识消息类型（例如system、user）
  • 内容- 表示消息的实际内容（例如文本、图像、音频、文档等）
  • 元数据- 可选字段，例如响应信息、消息 ID 和令牌使用情况

LangChain 提供了一种标准消息类型，可在所有模型提供商之间工作，确保无论调用哪个模型都能保持一致的行为。

消息的分类

  • 系统消息 - 告诉模型如何行为并为交互提供上下文

  • 人类消息 - 表示用户输入和与模型的交互，它们可以包含文本、图像、音频、文件以及任何其他多模态内容

  • AI 消息 - 模型生成的响应，包括文本内容、工具调用和元数据

    • usage_metadata:该字段中保存令牌计数和其他使用元数据：

    • fromlangchain.chat_modelsimportinit_chat_model model=init_chat_model("openai:gpt-5-nano")response=model.invoke("Hello!")response.usage_metadata---------------------------------------------------------------------{'input_tokens':8,'output_tokens':304,'total_tokens':312,'input_token_details':{'audio':0,'cache_read':0},'output_token_details':{'audio':0,'reasoning':256}}

    • 流式传输和块:

      chunks=[]full_message=Noneforchunkinmodel.stream("Hi"):chunks.append(chunk)print(chunk.text)full_message=chunkiffull_messageisNoneelsefull_message+chunk

  • 工具消息 - 表示工具调用的输出

fromlangchain.messagesimportSystemMessage,HumanMessage,AIMessage#一个消息对象列表messages=[# 系统消息SystemMessage("You are a poetry expert"),# 人类消息HumanMessage("Write a haiku about spring"),# ai消息AIMessage("Cherry blossoms bloom...")]response=model.invoke(messages)

工具

智能体如何被大模型调用?

工具是代理（agents）调用来执行操作的组件。它们通过允许模型通过定义明确的输入和输出与世界交互来扩展模型的功能。工具封装了一个可调用的函数及其输入架构（schema）。这些可以传递给兼容的聊天模型（chat models），让模型决定是否以及使用什么参数来调用工具。在这些场景中，工具调用使模型能够生成符合指定输入架构的请求。

服务器端工具使用 (Server-side tool use)

某些聊天模型（例如OpenAI、Anthropic和Gemini）具有内置工具，这些工具在服务器端执行，例如网络搜索和代码解释器。请参阅提供商概览（provider overview）了解如何使用您的特定聊天模型访问这些工具。

也就是说，langchain的工具就是一个被封装的函数，模型可以自主调用这些函数

创建工具

创建工具最简单的方法是使用@tool装饰器。默认情况下，函数的文档字符串（docstring）会成为工具的描述，帮助模型理解何时使用它：

fromlangchain.toolsimporttool@tool(parse_docstring=True)deffunction_name(param1,param2):"""Function summary line. （简单描述该函数或方法的功能） Args: param1 (int): The first parameter. param2 (str): The second parameter. Returns: bool: The return value. True for success, False otherwise. Raises: （这里提供了可能会碰到的报错，非必要可不写） ValueError: If `param1` is equal to `param2`. """

更多请查阅官方文档:
工具 | LangChain 中文文档

智能体如何知道使用哪个工具?

如果你使用了coogle风格注释，那么工具描述信息将成为智能体调用的依据

传递消息

使用llm时，我们需要在节点间传递消息，因此消息成为状态的一部分，我们来看官方库的实现:
from langgraph.graph import MessagesState:

classMessagesState(TypedDict):messages:Annotated[list[AnyMessage],add_messages]

以上就是一个经典的消息实体，使用Annotated和add_messages来自动追加消息

消息实体被用于图信息的传输，作为各个节点的参数被接收，比如以下就是一个小实例:

fromIPython.displayimportImage,displayfromlangchain_core.messagesimportHumanMessage,ToolMessagefromlanggraph.graphimportStateGraph,START,END,MessagesStatefromlangchain_core.toolsimporttoolfromsrc.agent.llmimportmodelfromsrc.utils.show_graphimportshow_graph# 定义一个工具函数：乘法运算@tooldefmultiply_values(a,b):""" 将两个值相乘并返回结果。 Args: a (float): 第一个值。 b (float): 第二个值。 Result: float: a和b的乘积。 """returna*b# 将工具绑定到LLMllm_tools=model.bind_tools([multiply_values])# 定义节点：带工具的LLMdefllm_with_tools(state:MessagesState):return{"messages":[llm_tools.invoke(state["messages"])]}# 定义工具执行节点defrun_tool(state:MessagesState):# 获取最后一条消息（应为包含 tool_calls 的 AIMessage）last_msg=state["messages"][-1]# 遍历所有 tool_calls（这里只处理第一个，或全部）tool_messages=[]fortool_callinlast_msg.tool_calls:# 根据工具名称选择工具（这里只有 multiply_values）iftool_call["name"]=="multiply_values":# 执行工具result=multiply_values.invoke(tool_call["args"])else:result=f"Tool '{tool_call['name']}' not found."# 构造 ToolMessage（每个 tool_call 对应一个 ToolMessage）tool_messages.append(ToolMessage(content=str(result),# 工具执行结果tool_call_id=tool_call["id"]# 对应的调用 ID))return{"messages":tool_messages}# 构建图builder=StateGraph(MessagesState)builder.add_node("llm_with_tools",llm_with_tools)# 添加节点builder.add_node("run_tool",run_tool)# 添加调用工具节点builder.add_edge(START,"llm_with_tools")# 从START到llm_with_tools的边builder.add_edge("llm_with_tools","run_tool")builder.add_edge("run_tool",END)graph=builder.compile()# 编译图# 可视化图show_graph(graph)# 调用图并传入乘法问题messages=graph.invoke({"messages":HumanMessage(content="200乘以30等于几")})# 打印所有消息forminmessages['messages']:m.pretty_print()

构建的图如下:


其中，MessagesState作为消息实体在边上进行传输。

================================ Human Message ================================= 200乘以30等于几 ================================== Ai Message ================================== Tool Calls: multiply_values (call_af5391669c3d4a569c2987) Call ID: call_af5391669c3d4a569c2987 Args: a: 200 b: 30 ================================= Tool Message ================================= 6000

下一节:路由器及实战
end

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/4/23 8:32:05

如何有效实施“测试左移”，在需求和设计阶段就介入质量保障？

“测试左移” 不仅仅是测试人员提前介入，更是一种质量文化、流程和技术的转变，其核心思想是 “在缺陷产生的地方，就地发现并解决它”。在需求和设计阶段就介入，性价比最高，能极大降低后期修复成本。 以下是如何有效实施的系统化建议，你可以结合你的经验，在CSDN博客中展…

作者头像 李华
网站建设 2026/4/23 8:31:05

质量画像构建：用ELK栈实现测试数据可视化

在当今快速迭代的软件开发环境中&#xff0c;软件测试从业者面临着日益复杂的数据挑战。测试过程产生海量日志、性能指标和缺陷报告&#xff0c;如何高效提取、分析并呈现这些数据&#xff0c;成为提升测试质量和效率的关键。质量画像&#xff08;Quality Profile&#xff09;作…

作者头像 李华
网站建设 2026/4/23 8:31:03

软件测试岗位的经典面试题

他提到了前两轮技术面试中面试官问到的几道面试题&#xff0c;他回答的不是特别好&#xff0c;问我有没有更好的方法。我看了一下&#xff0c;都是很经典的测试岗位面试题。 在我近十年的测试职业生涯中&#xff0c;我也面试过不少软件测试岗位的候选人&#xff0c;这几个问题我…

作者头像 李华
网站建设 2026/4/22 22:06:27

macOS iSCSI Initiator 终极指南：让苹果电脑轻松扩展存储空间

macOS iSCSI Initiator 终极指南&#xff1a;让苹果电脑轻松扩展存储空间 【免费下载链接】iSCSIInitiator iSCSI Initiator for macOS 项目地址: https://gitcode.com/gh_mirrors/is/iSCSIInitiator 还在为Mac电脑存储空间不足而烦恼吗&#xff1f;macOS iSCSI Initiat…

作者头像 李华
网站建设 2026/4/23 11:18:48

DXP 和 AI：中小企业数字化成熟度和竞争力的关键

1.DXP 是什么&#xff1f;数字体验平台是一种集成的软件解决方案&#xff0c;使公司能够跨不同渠道创建、管理和优化数字体验。DXP 的特点是采用整体方法设计整个客户旅程。他们将内容、产品、营销和客户服务无缝集成到一个平台中&#xff0c;从而在所有渠道中提供一致的个性化…

作者头像 李华
网站建设 2026/4/23 11:12:01

收藏备用！零基础到实战：大模型学习全攻略

当ChatGPT流畅生成代码、文心一言精准解析需求、Claude高效处理长文档时&#xff0c;“大模型”早已不是遥远的技术概念&#xff0c;而是渗透到工作流的实用工具&#xff0c;更是技术人提升竞争力的核心技能。无论你是刚入行的程序员、想转型的传统开发者&#xff0c;还是对AI感…

作者头像 李华