LangGraph是一个基于图计算的大语言模型应用开发框架

LangGraph是一个基于图计算的大语言模型应用开发框架，它通过将复杂任务分解为多个节点并构建执行图来实现高效的LLM应用开发。以上代码提供了LangGraph的环境搭建和基础、高级应用示例，主要包括：

1. 环境搭建脚本：自动化安装系统依赖、创建虚拟环境并安装LangGraph及其依赖库
2. 基础使用示例：展示如何构建一个简单的问答系统，包含用户输入、网络搜索和答案生成三个节点
3. 高级应用示例：实现了一个完整的文档问答系统，包括文档加载、文本分割、向量索引和检索式问答等功能

使用前请替换示例中的OpenAI API密钥，并根据实际需求调整节点和图谱结构。

# LangGraph高级应用示例：文档问答系统

from langgraph import Graph, Node
from langgraph.llms import OpenAILLM
from langgraph.memory import VectorDBMemory
from langgraph.tools import DocumentLoader, TextSplitter, EmbeddingGenerator
from langgraph.pipelines import RetrievalQA

# 初始化组件
llm = OpenAILLM(api_key="your_openai_api_key")
embedding = EmbeddingGenerator(model_name="sentence-transformers/all-MiniLM-L6-v2")
memory = VectorDBMemory(embedding=embedding)

# 定义文档处理节点
@Node()
def load_documents(file_path: str) -> list:
    loader = DocumentLoader()
    return loader.load(file_path)

@Node()
def split_text(documents: list) -> list:
    splitter = TextSplitter(chunk_size=1000, chunk_overlap=100)
    return splitter.split(documents)

@Node()
def index_documents(texts: list) -> None:
    for text in texts:
        memory.add(text)
    return "文档已索引"

# 定义问答节点
@Node()
def retrieve_context(query: str) -> list:
    return memory.search(query, k=3)

@Node()
def generate_answer(query: str, context: list) -> str:
    context_text = "\n\n".join(context)
    prompt = f"""基于以下上下文回答问题：
    问题：{query}
    上下文：{context_text}
    """
    return llm.generate(prompt)

# 构建图谱
graph = Graph()

# 文档处理流程
graph.add_node(load_documents)
graph.add_node(split_text)
graph.add_node(index_documents)
graph.connect(load_documents, split_text)
graph.connect(split_text, index_documents)

# 问答流程
graph.add_node(retrieve_context)
graph.add_node(generate_answer)
graph.connect(retrieve_context, generate_answer)

# 执行文档处理
documents = graph.run(load_documents("path/to/your/document.pdf"))
texts = graph.run(split_text(documents))
graph.run(index_documents(texts))

# 执行问答
query = "LangGraph的主要应用场景有哪些？"
context = graph.run(retrieve_context(query))
answer = graph.run(generate_answer(query, context))
print(f"问题：{query}")
print(f"答案：{answer}")    

# LangGraph基础使用示例

from langgraph import Graph, Node
from langgraph.llms import OpenAILLM
from langgraph.memory import InMemoryKnowledgeGraph
from langgraph.tools import WebSearchTool

# 初始化LLM
llm = OpenAILLM(api_key="your_openai_api_key")

# 创建知识图谱
memory = InMemoryKnowledgeGraph()

# 定义节点
@Node()
def user_input(query: str) -> str:
    return query

@Node()
def search_web(query: str) -> str:
    tool = WebSearchTool()
    return tool.run(query)

@Node()
def generate_answer(query: str, search_results: str) -> str:
    prompt = f"基于以下搜索结果回答问题：{query}\n\n搜索结果：{search_results}"
    return llm.generate(prompt)

# 构建图谱
graph = Graph()
graph.add_node(user_input)
graph.add_node(search_web)
graph.add_node(generate_answer)

# 连接节点
graph.connect(user_input, search_web)
graph.connect(search_web, generate_answer)
graph.connect(user_input, generate_answer, edge_label="direct_query")

# 执行图谱
result = graph.run(user_input("什么是LangGraph?"))
print(result)    

安装所需插件

# LangGraph环境搭建脚本

# 检查并安装系统依赖
echo "正在检查并安装系统依赖..."
sudo apt-get update
sudo apt-get install -y build-essential python3-dev python3-pip git curl

# 创建虚拟环境
echo "正在创建Python虚拟环境..."
python3 -m venv langgraph_env
source langgraph_env/bin/activate
echo "虚拟环境已激活"

# 安装PyTorch (根据CUDA版本选择，这里假设使用CPU版本)
echo "正在安装PyTorch..."
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

# 安装LangGraph及其依赖
echo "正在安装LangGraph及其依赖..."
pip install langgraph transformers sentence-transformers faiss-cpu

# 验证安装
echo "验证安装..."
python -c "import langgraph; print(f'LangGraph版本: {langgraph.__version__}')"

echo "LangGraph环境搭建完成！"
echo "使用 'source langgraph_env/bin/activate' 激活环境"