langgraph

Answer

LangGraph 是一个用于低代码构建 LLM 应用的新库，具有以下特点和发展：

提供了更多自定义和循环行为的可能性，还有可视化工具用于展示和控制语言代理的图，以及查看和分析输入输出。
是 LangChain 的强大扩展，能支持更多 LLM 应用场景和需求，且是独立库，可与其他 Python 库和工具结合使用。
随着发布，众多应用开发者能在应用层随心搭建自己的多专家模型。
解决了 LangChain 中定制预构建链和代理内部结构困难的问题，增加了轻松定义循环和内置内存功能等重要组件。在 LangChain v0.2 中，LangGraph 正成为构建代理的推荐方式，有预构建的 LangGraph 对象，更易定制和修改。其详细介绍和使用方法可参考官方文档和教程。LangChain 团队未来计划包括重写旧链、维护稳定分支、增加更多工具和功能等。

Content generated by AI large model, please carefully verify (powered by aily)

References

LangGraph是一个新的库，用于低代码构建LLM应用，提供了更多的自定义和循环行为的可能性。LangGraph还提供了一个可视化的工具，用于展示和控制语言代理的图，以及查看和分析语言代理的输入和输出。LangGraph的发布，为LangChain增加了一个强大的扩展，使得LangChain能够支持更多的LLM应用的场景和需求。LangGraph也是一个独立的库，可以与其他的Python库和工具结合使用，以实现更多的功能和效果。LangGraph的详细介绍和使用方法，可以参考LangGraph的官方文档和教程。[heading2]LangChain的未来计划[content]LangChain 0.1.0的发布，是LangChain项目的一个重要的里程碑，也是LangChain项目的一个新的起点。LangChain团队将继续努力，为LLM应用提供一个更加强大、灵活和易用的框架和工具集。LangChain的下一步目标，包括：重写旧的链，使其符合LangChain 0.1.0的架构和规范，以及提供更多的功能和特性。维护稳定的分支，即LangChain 0.1.x，用于修复错误和优化性能，以保证LangChain的质量和稳定性。增加更多的工具和功能，如更多的LLMs和NLP任务的支持，更多的输出解析和检索的方法，更多的代理的技术，以及更多的LangSmith和LangGraph的功能。🚀

开发：LangGraph-应用层的混合专家模型

原创AI小智AI小智2024-01-25 08:31发表于湖北本文译自LangGraph:Multi-Agent Workflows一文，Mixtral 8x7B让AI圈见识到了混合专家模型的威力，那么随着LangGraph的发布，众多应用开发者也能在应用层随心搭建自己的多专家模型了。上周,我们重点介绍了LangGraph-一个新的包(同时提供Python和JS版本),用于更好地支持包含循环的LLM工作流的创建,循环是大多数代理运行时的关键组成部分。作为发布的一部分,我们强调了两个简单的运行时:一个等效于LangChain中的AgentExecutor,另一个是针对消息传递和聊天模型的该版本。今天,我们很高兴强调LangGraph的第二组用例-多代理工作流。在这篇博客中,我们将介绍:“多代理”是什么意思?为什么“多代理”工作流很有趣?使用LangGraph进行多代理工作流的三个具体示例基于LangGraph使用多代理工作流构建的两个第三方应用程序示例(GPT-Newspaper和CrewAI)与其他框架(Autogen和CrewAI)的比较

开发：LangChain v0.2：向稳定性迈进的一大步

从LangChain的早期开始，社区最大的反馈之一就是定制预构建链和代理的内部结构非常困难。为了解决这个问题，我们去年夏天引入了LCEL，使得创建任意可组合序列变得容易。直到现在，LangChain中的代理都是基于AgentExecutor这个单一的类，它有固定的逻辑来运行代理。为了支持越来越高级的代理，我们不断地为这个类添加了更多的参数，但它仍然不是真正的可组合。几个月前，我们推出了LangGraph，这是LangChain的一个扩展，专门用于创建代理工作负载。你可以把它看作是“代理的LCEL”。它在LCEL的基础上增加了两个重要的组件：能够轻松定义循环（这对于代理来说很重要，但对于链来说不是必需的）和内置的内存功能。在langchain v0.2中，我们保留了旧的AgentExecutor，但LangGraph正在成为构建代理的推荐方式。我们增加了一个预构建的LangGraph对象，它相当于AgentExecutor，由于它是基于LangGraph构建的，因此更容易定制和修改。想要了解如何迁移的详细信息，可以查看这里。

Others are asking

langgraph教程

LangGraph 是一个用于低代码构建 LLM 应用的新库，具有以下特点和功能： 1. 提供了更多自定义和循环行为的可能性。 2. 提供了可视化工具，用于展示和控制语言代理的图，以及查看和分析语言代理的输入和输出。 3. 是 LangChain 的一个强大扩展，能支持更多 LLM 应用场景和需求，且是独立库，可与其他 Python 库和工具结合使用。其详细介绍和使用方法可参考官方文档和教程。 LangChain 0.1.0 的发布是重要里程碑和新起点，团队未来计划包括： 1. 重写旧的链，使其符合 0.1.0 的架构和规范，并提供更多功能和特性。 2. 维护稳定分支 0.1.x，用于修复错误和优化性能，保证质量和稳定性。 3. 增加更多工具和功能，如更多 LLM 和 NLP 任务支持、更多输出解析和检索方法、更多代理技术以及更多 LangSmith 和 LangGraph 功能。此外，还有关于利用 Langchain、Ollama、RSSHub 实现本地部署资讯问答机器人的内容，包括导入依赖库、从订阅源获取内容、为文档内容生成向量以及实现 RAG 等步骤。在探索 LangGraph 构建多专家协作模型方面： 1. 定义图：从节点开始，预填充状态，构建定制工作流程，包含多个节点，如 enter_、助手、_safe_tools、_sensitive_tools、leave_skill 等，并逐一明确地定义如航班预订助手、租车助手、酒店预订助手、旅行预订助手和主助手等工作流程图。 2. 对话：在对话轮次列表上运行，减少确认。

2025-03-23

Langgraph

LangGraph 是一个用于低代码构建 LLM 应用的新库，具有以下特点和发展情况： 1. 提供了更多自定义和循环行为的可能性，还有可视化工具用于展示和控制语言代理的图，以及查看和分析输入输出。 2. 是 LangChain 的一个强大扩展，能支持更多 LLM 应用场景和需求，且是独立库，可与其他 Python 库和工具结合使用。 3. 随着其发布，应用开发者能在应用层随心搭建自己的多专家模型。 4. 在 LangChain v0.2 中，LangGraph 正在成为构建代理的推荐方式，增加了预构建的 LangGraph 对象，更容易定制和修改。 LangChain 团队未来计划包括： 1. 重写旧的链，使其符合 LangChain 0.1.0 的架构和规范，并提供更多功能和特性。 2. 维护稳定分支，用于修复错误和优化性能，保证质量和稳定性。 3. 增加更多工具和功能，如更多的 LLMs 和 NLP 任务支持、更多输出解析和检索方法、更多代理技术以及更多 LangSmith 和 LangGraph 的功能。详细介绍和使用方法可参考 LangGraph 的官方文档和教程。

2025-03-23

给个使用langgraph的例子

LangGraph 是一个用于支持包含循环的 LLM 工作流创建的新包，它提供了 Python 和 JS 版本。以下是使用 LangGraph 的一个例子：假设我们要开发一个客户支持机器人，它能够处理多种任务。我们可以使用 LangGraph 的核心功能来设计和构建这个机器人。首先，我们需要确定机器人的多个独立代理，例如：问题理解代理：负责理解客户提出的问题。解决方案查找代理：根据问题查找相应的解决方案。回答生成代理：生成回答并提供给客户。然后，我们可以使用 LangGraph 将这些代理连接起来，形成一个多代理工作流。例如，问题理解代理可以将问题传递给解决方案查找代理，解决方案查找代理找到解决方案后再传递给回答生成代理，最后回答生成代理生成回答并提供给客户。在这个过程中，每个代理都可以拥有自己的提示、LLM、工具和其他自定义代码，以便与其他代理最好地协作。通过使用 LangGraph，我们可以更轻松地构建和管理复杂的多代理工作流，提高应用程序的灵活性和可扩展性。

2024-06-21