使用langgraph的意义是什么

前言

当笔者将本文的题目 丢给某AI时，某AI的回答是：使用LangGraph的核心意义在于，它将AI应用从线性的、不可控的"链"，升级为有状态的、可精确控制的"图"，让你能够构建真正能处理复杂任务的智能体（Agent）。

本文我们尝试将上述的回答 具象化。

举个栗子

如果我们需要得到两数相除的结果，可以直接让 langchain 调用大模型，得到的结果如下：

但如果我们在某些特殊场景下，就需要让结果只保留 小数点后两位。即我们需要前言中所提及的“可精确控制”。

我们直接先看基于langgraph实现这件小事 的代码示例:

from langchain_core.tools import tool from langgraph.prebuilt import create_react_agent # Define tools @tool def multiply(a: int, b: int) -> int: """Multiply two integers together.""" return a * b @tool def divide(a: int, b: int) -> float: """Divide two integers and return the result with two decimal places.""" return round(a / b, 2) tools = [multiply, divide] agent = create_react_agent(model, tools) queries = [ "What is 456 divided by 123?", "What is 123 multiplied by 456?", ] for q in queries: print(f"\nQ: {q}") result = agent.invoke({"messages": [("user", q)]}) final_msg = result["messages"][-1] print(f"A: {final_msg.content}") ####### 运行结果 ####### # Q: What is 456 divided by 123? # A: 456 divided by 123 is **3.71** (rounded to two decimal places). # Q: What is 123 multiplied by 456? # A: The result of 123 multiplied by 456 is **56,088**.

如上面的代码所示，我们可以将“只返回小数点后两位” 这个能力，写进一个“tool方法”。由让大模型自主决策后，进行方法调用，以保证可精确控制。

再举个栗子

对“只返回小数点后两位”这事，可能有的朋友会说：“根本不用使用langgraph这么麻烦，直接修改提示词就完事了”。如下：

result = chain.invoke({"input": "456除以123等于多少，结果保留小数点后2位。"})

有道理，我们换个例子，如：基于医学知识图谱返回医学咨询结果。

一般情况下，知识图谱的实现是由图数据库承载的。所以在相关项目的实现中，很重要的一步做好“text2sql”，大概流程图如下：

在这种极度需要精确控制的场景下，使用langgraph这种开发模式就显得比较有用了。

@tool def get_medical_consultation(question: str) -> str: """Get medical consultation based on the question.""" # text2sql # query graph database # return medical consultation

实际项目中 我们还可以基于langgraph路由控制能力，在“基于医学知识图谱返回医学咨询结果”节的前后，动态增加“人工审核”、“转人工”等节点。