完成本教程后，你不仅会拥有一个功能完备的机器人，还将深入理解LangGraph的核心理念和架构设计。这些知识将帮助你在其他人工智能项目中运用相似的设计模式。
由于内容较多，本文将由浅入深，分四个阶段进行讲解，每个阶段都将打造出一个具备以上描述所有能力的机器人。但受限于LLM的能力，初期阶段的机器人的运行可能存在各类问题，但都将在后续阶段得到解决。
你最终完成的聊天机器人将类似于以下示意图：
最终示意图
现在，让我们开启这第一阶段段的学习之旅吧！
准备工作
在开始之前，我们需要搭建好环境。本教程将安装一些必要的先决条件，包括下载测试用的数据库，并定义一些在后续各部分中会用到的工具。
我们会使用 Claude 作为语言模型（LLM），并创建一些定制化的工具。这些工具大多数会连接到本地的 SQLite 数据库，无需额外依赖。此外，我们还会通过 Tavily 为代理提供网络搜索功能。
%%capture --no-stderr
% pip install -U langgraph langchain-community langchain-anthropic tavily-python pandas数据库初始化
接下来，执行下面的脚本来获取我们为这个教程准备的 SQLite 数据库，并更新它以反映当前的数据状态。具体细节不是重点。
import os
import requests
import sqlite3
import pandas as pd
import shutil
# 下载数据库文件
db_url = "https://storage.googleapis.com/benchmarks-artifacts/travel-db/travel2.sqlite"
local_file = "travel2.sqlite"
backup_file = "travel2.backup.sqlite"
overwrite = False
if not os.path.exists(local_file) or overwrite:
response = requests.get(db_url)
response.raise_for_status() # 确保请求成功
with open(local_file, "wb") as file:
file.write(response.content)
# 创建数据库备份，以便在每个教程部分开始时重置数据库状态
shutil.copy(local_file, backup_file)
# 将航班数据更新为当前时间，以适应我们的教程
conn = sqlite3.connect(local_file)
cursor = conn.cursor()
# 读取数据库中的所有表
tables = pd.read_sql(
"SELECT name FROM sqlite_master WHERE type='table';", conn
).name.tolist()
tdf = {}
for table_name in tables:
tdf[table_name] = pd.read_sql(f"SELECT * from {table_name}", conn)
# 找到最早的出发时间，并计算时间差
example_time = pd.to_datetime(
tdf["flights"]["actual_departure"].replace("\\N", pd.NaT)
).max()
current_time = pd.to_datetime("now").tz_localize(example_time.tz)
time_diff = current_time - example_time
# 更新预订日期和航班时间
for column in ["book_date", "scheduled_departure", "scheduled_arrival", "actual_departure", "actual_arrival"]:
tdf["flights"][column] = pd.to_datetime(
tdf["flights"][column].replace("\\N", pd.NaT)
) + time_diff
# 将更新后的数据写回数据库
for table_name, df in tdf.items():
df.to_sql(table_name, conn, if_exists="replace", index=False)
conn.commit()
conn.close()
# 在本教程中，我们将使用这个本地文件作为数据库
db = local_file工具定义
现在，我们来定义一些工具，以便助手可以搜索航空公司的政策手册，以及搜索和管理航班、酒店、租车和远足活动的预订。这些工具将在教程的各个部分中重复使用，具体的实现细节不是关键。
查询公司政策
助手需要检索政策信息来回答用户的问题。请注意，这些政策的实施还需要在工具或 API 中进行，因为语言模型可能会忽略这些信息。以下工具受限于篇幅将仅提供定义及描述，详细代码[1]可在github上获取。
import re
import numpy as np
import openai
from langchain_core.tools import tool
@tool
def lookup_policy(query):
"""查询公司政策，以确定某些选项是否允许。"""航班管理
定义一个工具来获取用户的航班信息，然后定义一些工具来搜索航班和管理用户的预订信息，这些信息存储在 SQL 数据库中。
我们使用 ensure_config 来通过配置参数传递 passenger_id。语言模型不需要显式提供这些信息，它们会在图的每次调用中提供，以确保每个用户无法访问其他乘客的预订信息。
from langchain_core.runnables import ensure_config
from typing import Optional
import sqlite3
import pytz
from datetime import datetime, timedelta, date
@tool
def fetch_user_flight_information():
"""获取用户的所有机票信息，包括航班详情和座位分配。"""
@tool
def search_flights(
departure_airport=None,
arrival_airport=None,
start_time=None,
end_time=None,
limit=20,
):
"""根据出发机场、到达机场和出发时间范围来搜索航班。"""
@tool
def update_ticket_to_new_flight(ticket_no, new_flight_id):
"""将用户的机票更新到一个新的有效航班上。"""
@tool
def cancel_ticket(ticket_no):
"""取消用户的机票，并从数据库中移除。"""租车服务
用户预订了航班后，可能需要租车服务。定义一些工具，让用户能够在目的地搜索和预订汽车。
from typing import Optional, Union
from datetime import datetime, date
@tool
def search_car_rentals(
locatinotallow=None,
name=None,
price_tier=None,
start_date=None,
end_date=None,
):
"""
根据位置、公司名称、价格等级、开始日期和结束日期来搜索租车服务。
参数：
location (Optional[str]): 租车服务的位置。
name (Optional[str]): 租车公司的名称。
price_tier (Optional[str]): 租车的价格等级。
start_date (Optional[Union[datetime, date]]): 租车的开始日期。
end_date (Optional[Union[datetime, date]]): 租车的结束日期。
返回：
list[dict]: 匹配搜索条件的租车服务列表。
"""
@tool
def book_car_rental(rental_id):
"""
通过租车ID来预订租车服务。
参数：
rental_id (int): 要预订的租车服务的ID。
返回：
str: 预订成功与否的消息。
"""
@tool
def update_car_rental(
rental_id,
start_date=None,
end_date=None,
):
"""
通过租车ID来更新租车服务的开始和结束日期。
参数：
rental_id (int): 要更新的租车服务的ID。
start_date (Optional[Union[datetime, date]]): 新的租车开始日期。
end_date (Optional[Union[datetime, date]]): 新的租车结束日期。
返回：
str: 更新成功与否的消息。
"""
@tool
def cancel_car_rental(rental_id):
"""
通过租车ID来取消租车服务。
参数：
rental_id (int): 要取消的租车服务的ID。
返回：
str: 取消成功与否的消息。
"""酒店预订
用户需要住宿，因此定义一些工具来搜索和管理酒店预订。
@tool
def search_hotels(
locatinotallow=None,
name=None,
price_tier=None,
checkin_date=None,
checkout_date=None,
):
"""
根据位置、名称、价格等级、入住日期和退房日期来搜索酒店。
参数：
location (Optional[str]): 酒店的位置。
name (Optional[str]): 酒店的名称。
price_tier (Optional[str]): 酒店的价格等级。
checkin_date
# 入住日期和退房日期，用于搜索酒店
checkin_date (Optional[Union[datetime, date]]): 酒店的入住日期。
checkout_date (Optional[Union[datetime, date]]): 酒店的退房日期。
返回：
list[dict]: 符合搜索条件的酒店列表。
"""
@tool
def book_hotel(hotel_id):
"""
通过酒店ID进行预订。
参数：
hotel_id (int): 要预订的酒店的ID。
返回：
str: 预订成功与否的消息。
"""
@tool
def update_hotel(
hotel_id,
checkin_date=None,
checkout_date=None,
):
"""
通过酒店ID更新酒店预订的入住和退房日期。
参数：
hotel_id (int): 要更新预订的酒店的ID。
checkin_date (Optional[Union[datetime, date]]): 新的入住日期。
checkout_date (Optional[Union[datetime, date]]): 新的退房日期。
返回：
str: 更新成功与否的消息。
"""
@tool
def cancel_hotel(hotel_id):
"""
通过酒店ID取消酒店预订。
参数：
hotel_id (int): 要取消预订的酒店的ID。
返回：
str: 取消成功与否的消息。
"""远足活动
最后，定义一些工具，让用户在到达目的地后搜索活动并进行预订。
@tool
def search_trip_recommendations(
locatinotallow=None,
name=None,
keywords=None,
):
"""
根据位置、名称和关键词搜索旅行推荐。
参数：
location (Optional[str]): 旅行推荐的地点。
name (Optional[str]): 旅行推荐的名字。
keywords (Optional[str]): 与旅行推荐相关的关键词。
返回：
list[dict]: 符合搜索条件的旅行推荐列表。
"""
@tool
def book_excursion(recommendation_id):
"""
通过推荐ID预订远足活动。
参数：
recommendation_id (int): 要预订的旅行推荐的ID。
返回：
str: 预订成功与否的消息。
"""
@tool
def update_excursion(recommendation_id, details):
"""
通过推荐ID更新旅行推荐的细节。
参数：
recommendation_id (int): 要更新的旅行推荐的ID。
details (str): 旅行推荐的新细节。
返回：
str: 更新成功与否的消息。
"""
@tool
def cancel_excursion(recommendation_id):
"""
通过推荐ID取消旅行推荐。
参数：
recommendation_id (int): 要取消的旅行推荐的ID。
返回：
str: 取消成功与否的消息。
"""实用工具
定义一些辅助函数，以便在调试过程中美化图形中的消息显示，并为工具节点添加错误处理（通过将错误添加到聊天记录中）。
from langgraph.prebuilt import ToolNode
from langchain_core.runnables import RunnableLambda
def handle_tool_error(state):
error = state.get("error")
tool_calls = state["messages"][-1].tool_calls
return {
"messages": [
ToolMessage(
cnotallow=f"错误: {repr(error)}\n请修正你的错误。",
tool_call_id=tc["id"],
)
for tc in tool_calls
]
}
def create_tool_node_with_fallback(tools):
return ToolNode(tools).with_fallbacks(
[RunnableLambda(handle_tool_error)], exception_key="error"
)
def _print_event(event, _printed, max_length=1500):
current_state = event.get("dialog_state")
if current_state:
print(f"当前状态: ", current_state[-1])
message = event.get("messages")
if message:
if isinstance(message, list):
message = message[-1]
if message.id not in _printed:
msg_repr = message.pretty_repr(html=True)
if len(msg_repr) > max_length:
msg_repr = msg_repr[:max_length] + " ... （内容已截断）"
print(msg_repr)
_printed.add(message.id)第一部分：零样本代理
在构建任何系统时，最佳实践是从最简单的可行方案开始，并通过使用类似LangSmith这样的评估工具来测试其有效性。在条件相同的情况下，我们倾向于选择简单且可扩展的解决方案，而不是复杂的方案。然而，单一图谱方法存在一些限制，比如机器人可能在未经用户确认的情况下执行不希望的操作，处理复杂查询时可能遇到困难，或者在回答时缺乏针对性。这些问题我们会在后续进行改进。 在这部分，我们将定义一个简单的零样本代理作为用户的助手，并将所有工具赋予给它。我们的目标是引导它明智地使用这些工具来帮助用户。 我们的简单两节点图如下所示：
第一部分图解
首先，我们定义状态。
状态
我们将StateGraph的状态定义为一个包含消息列表的类型化字典。这些消息构成了聊天的记录，也就是我们简单助手所需要的全部状态信息。
from langgraph.graph.message import add_messages, AnyMessage
from typing_extensions import TypedDict
from typing import Annotated
class State(TypedDict):
messages: Annotated[list[AnyMessage], add_messages]代理
然后，我们定义助手函数。这个函数接收图的状态，将其格式化为提示，然后调用一个大型语言模型（LLM）来预测最佳的响应。
from langchain_core.runnables import Runnable, RunnableConfig
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate
class Assistant:
def __init__(self, runnable: Runnable):
self.runnable = runnable
def __call__(self, state: State, config: RunnableConfig):
while True:
passenger_id = config.get("passenger_id", None)
state = {**state, "user_info": passenger_id}
result = self.runnable.invoke(state)
# 如果大型语言模型返回了一个空响应，我们将重新提示它给出一个实际的响应。
if (
not result.content
or isinstance(result.content, list)
and not result.content[0].get("text")
):
messages = state["messages"] + [("user", "请给出一个真实的输出。")]
state = {**state, "messages": messages}
else:
break
return {"messages": result}
# Haiku模型更快、成本更低，但准确性稍差
# llm = ChatAnthropic(model="claude-3-haiku-20240307")
llm = ChatAnthropic(model="claude-3-sonnet-20240229", temperature=1)
primary_assistant_prompt = ChatPromptTemplate.from_messages(
[
(
"system",
"你是一个为瑞士航空提供帮助的客户支持助手。"
"使用提供的工具来搜索航班、公司政策和其他信息以帮助回答用户的查询。"
"在搜索时，要有毅力。如果第一次搜索没有结果，就扩大你的查询范围。"
"如果搜索结果为空，不要放弃，先扩大搜索范围。"
"\n\n当前用户：\n\n{user_info}\n "
"\n当前时间：{time}。",
),
("placeholder", "{messages}"),
]
).partial(time=datetime.now())
part_1_tools = [
TavilySearchResults(max_results=1),
fetch_user_flight_information,
search_flights,
lookup_policy,
update_ticket_to_new_flight,
cancel_ticket,
search_car_rentals,
book_car_rental,
update_car_rental,
cancel_car_rental,
search_hotels,
book_hotel,
update_hotel,
cancel_hotel,
search_trip_recommendations,
book_excursion,
update_excursion,
cancel_excursion,
]
part_1_assistant_runnable = primary_assistant_prompt | llm.bind_tools(part_1_tools)定义图
现在，我们来创建图。这张图是我们这部分的最终助手。
from langgraph.checkpoint.sqlite import SqliteSaver
from langgraph.graph import StateGraph, END
from langgraph.prebuilt import tools_condition, ToolNode
builder = StateGraph(State)
# 定义节点：这些节点执行具体的工作
builder.add_node("assistant", Assistant(part_1_assistant_runnable))
builder.add_node("action", create_tool_node_with_fallback(part_1_tools))
# 定义边：这些边决定了控制流程如何移动
builder.set_entry_point("assistant")
builder.add_conditional_edges(
"assistant",
tools_condition,
# "action"调用我们的工具之一。END导致图终止（并向用户做出响应）
{"action": "action", END: END},
)
builder.add_edge("action", "assistant")
# 检查点器允许图保存其状态
# 这是整个图的完整记忆。
memory = SqliteSaver.from_conn_string(":memory:")
part_1_graph = builder.compile(checkpointer=memory)
from IPython.display import Image, display
try:
display(Image(part_1_graph.get_graph(xray=True).draw_mermaid_png()))
except:
# 这需要一些额外的依赖项，是可选的
pass示例对话
现在，让我们通过一系列对话示例来测试我们的聊天机器人。
import uuid
import shutil
# 假设这是用户与助手之间可能发生的对话示例
tutorial_questions = [
"你好，我的航班是什么时候？",
"我可以把我的航班改签到更早的时间吗？我想今天晚些时候离开。",
"那就把我的航班改签到下周某个时间吧",
"下一个可用的选项很好",
"住宿和交通方面有什么建议？",
"我想在为期一周的住宿中选择一个经济实惠的酒店（7天），并且我还想租一辆车。",
"好的，你能为你推荐的酒店预订吗？听起来不错。",
"是的，去预订任何中等价位且有可用性的酒店。",
"对于汽车，我有哪些选择？",
"太棒了，我们只选择最便宜的选项。预订7天。",
"那么，你对我的旅行有什么建议？",
"在我在那里的时候，有哪些活动是可用的？",
"有趣 - 我喜欢博物馆，有哪些选择？",
"好的，那就为我在那里的第二天预订一个。",
]
# 使用备份文件以便我们可以从每个部分的原始位置重新启动
shutil.copy(backup_file, db)
thread_id = str(uuid.uuid4())
config = {
"configurable": {
# passenger_id 在我们的航班工具中使用
# 以获取用户的航班信息
"passenger_id": "3442 587242",
# 检查点通过 thread_id 访问
"thread_id": thread_id,
}
}
_printed = set()
for question in tutorial_questions:
events = part_1_graph.stream(
{"messages": ("user", question)}, config, stream_mode="values"
)
for event in events:
_print_event(event, _printed)
