Skip to content

README.md

Latest commit

 

History

History
138 lines (100 loc) · 6.02 KB

README.md

File metadata and controls

138 lines (100 loc) · 6.02 KB

LangGraph Agent 基础能力示例

本示例演示如何基于 LangGraphAgent 快速构建一个计算器助手，并验证 LangGraph 图构建 + Tool Calling + 流式事件处理 的核心链路是否正常工作。

关键特性

  • LangGraph 集成：通过 LangGraphAgent 将 LangGraph 构建的状态图接入 trpc_agent_sdk 框架
  • 装饰器驱动节点声明：使用 @langgraph_llm_node 标记 LLM 节点、@langgraph_tool_node 标记工具节点，框架自动完成事件采集
  • 工具调用能力：通过 LangChain @tool + ToolNode 接入计算工具函数，支持加减乘除四则运算
  • 流式事件处理：通过 runner.run_async(...) 处理 partial/full event，并打印工具调用与工具返回
  • 多轮对话验证：同一 session 内覆盖"自我介绍 + 乘法计算 + 基于上轮结果除法 + 结束寒暄"四轮典型问答
  • 子图扩展支持：可选开启 subgraph 模式，验证父图路由 + 子图计算的嵌套图结构

Agent 层级结构说明

本例是单 Agent 示例（可选扩展为父图 + 子图模式），默认不涉及多 Agent 分层路由：

simple_langgraph_agent (LangGraphAgent)
├── graph: StateGraph
│   ├── chatbot (langgraph_llm_node) ── model.bind_tools([calculate])
│   ├── tools (ToolNode) ── [calculate]
│   └── edges: START → chatbot → (tools_condition) → tools → chatbot / END
├── instruction: 友好对话 + 四则运算
└── session: InMemorySessionService

关键文件：

关键代码解释

这一节用于快速定位"图构建、工具调用、事件输出"三条核心链路。

1) LangGraph 图构建与 Agent 组装（agent/agent.py）

  • 使用 StateGraph(State) 定义状态图，State 包含 messages 列表
  • 通过 init_chat_model 初始化 LLM，使用 model.bind_tools([calculate]) 绑定工具
  • 使用 @langgraph_llm_node 装饰 chatbot 节点，使框架能自动采集 LLM 事件
  • 通过 ToolNode(tools=tools) 创建工具执行节点，配合 tools_condition 实现条件路由
  • 最终通过 LangGraphAgent(name=..., graph=..., instruction=...) 组装为 trpc_agent_sdk Agent

2) 工具定义与装饰器（agent/tools.py）

  • 使用 LangChain @tool 装饰器声明工具函数签名与文档
  • 使用 @langgraph_tool_node 装饰器使框架能追踪工具调用事件
  • calculate(operation, a, b) 支持 add、subtract、multiply、divide 四种运算

3) 流式事件处理与多轮对话（run_agent.py）

  • 使用 runner.run_async(...) 消费事件流
  • event.partial=True 时打印文本分片
  • 完整事件中区分并打印：
    • function_call（工具调用）
    • function_response（工具返回）
  • 同一 session_id 下连续执行 4 轮查询，验证上下文记忆能力

环境与运行

环境要求

  • Python 3.12

安装步骤

git clone https://github.com/trpc-group/trpc-agent-python.git
cd trpc-agent-python
python3 -m venv .venv
source .venv/bin/activate
pip3 install -e .

环境变量要求

在 examples/langgraph_agent/.env 中配置（或通过 export）：

  • TRPC_AGENT_API_KEY
  • TRPC_AGENT_BASE_URL
  • TRPC_AGENT_MODEL_NAME

运行命令

cd examples/langgraph_agent
python3 run_agent.py

运行结果（实测）

============================================================
LangGraph Agent Demo
============================================================

User: Hello, who are you?
Assistant: Hello! I'm your helpful Assistant, here to assist you with friendly conversations, answer your questions, and perform calculations if needed. How can I help you today?

User: Please calculate 15 multiply 23.
Assistant:
[Invoke Tool: calculate({'operation': 'multiply', 'a': 15, 'b': 23})]
[Tool Result: {'result': 'Calculation result: 15.0 multiply 23.0 = 345.0'}]
The result of multiplying 15 by 23 is **345**. Let me know if you need help with anything else!

User: Now divide the result by 5.
Assistant:
[Invoke Tool: calculate({'operation': 'divide', 'a': 345, 'b': 5})]
[Tool Result: {'result': 'Calculation result: 345.0 divide 5.0 = 69.0'}]
The result of dividing 345 by 5 is **69**. Let me know if you'd like to perform any other calculations!

User: Thank you!
Assistant: You're welcome! If you have any more questions or need further assistance, feel free to ask. Have a great day! 😊

============================================================
Demo completed!
============================================================

结果分析（是否符合要求）

结论：符合本示例测试要求。

  • 工具路由正确：计算请求正确调用 calculate，非计算请求直接由 LLM 回复
  • 工具参数正确：第 2 轮中 operation='multiply'、a=15、b=23 符合用户意图；第 3 轮中自动引用上轮结果 a=345
  • 工具结果被正确消费：回复内容与工具返回数据一致，并能组织为可读答案
  • 多轮上下文保持：第 3 轮 "divide the result" 正确引用了第 2 轮的计算结果 345，证明 session 内记忆有效
  • 能力覆盖完整：4 轮测试分别覆盖"自我介绍、乘法运算、上下文除法、结束寒暄"四类场景

适用场景建议

  • 快速验证 LangGraph + trpc_agent_sdk 集成主链路：适合使用本示例
  • 验证 @langgraph_llm_node / @langgraph_tool_node 装饰器的事件采集：适合使用本示例
  • 需要测试子图（subgraph）嵌套与流式事件：取消 agent.py 和 run_agent.py 中相关注释即可开启
  • 需要测试多 Agent 分层路由：建议使用其他多 Agent 示例