LangGraph 入門教學筆記：打造多步驟 AI 流程的圖形化解決方案 | 學習筆記

Posted by kdchang on 2024-12-23
前端 前端開發 前端工程 html LangGraph


前言

隨著生成式 AI 的應用越來越廣泛，從客服機器人、智慧問答系統到複雜的自動化工作流程，開發者面臨的不再只是單次的文字生成，而是需要處理多步驟的對話邏輯與決策流程。

傳統上，這類應用通常透過繁瑣的 if-else 邏輯、狀態機或多層函式巢狀處理，程式碼不易閱讀與維護。為此，LangGraph 應運而生。它是一個開源的 Python 函式庫，讓開發者可以用「流程圖」的方式清晰地定義每一步的處理邏輯，進而打造更穩定且模組化的 AI Workflow。

重點摘要

  • LangGraph 是什麼？

    • 由 LangChain 團隊開發的 AI Workflow 工具，透過流程圖（Graph）定義多步驟的推理過程。
    • 每一個節點（Node）代表一個處理步驟，從 LLM 回覆、條件判斷到工具呼叫等皆可定義成節點。

  • 核心特色

    • 使用有向圖（DAG）表示流程，每個節點都有明確的輸入與輸出狀態。
    • 支援條件分支、迴圈、自訂狀態、記憶上下文。
    • 可與 LangChain、OpenAI、Anthropic 等服務整合。
    • 適合用於構建 Agent、Chatbot、多階段處理流程。

  • 應用情境

    • 客製化對話代理人（如智能客服）
    • 多階段資訊處理（如：檢索、分類、摘要）
    • 工具選擇與執行流程（如：根據輸入選擇工具）
    • 擴展型 LLM 應用（如：RAG、Tool Use）

  • 重要元件說明

    • StateGraph：定義整體流程圖。
    • Node：每個節點代表一個具邏輯意義的步驟。
    • State：儲存目前上下文狀態，可自訂欄位。
    • Conditional Edge：根據邏輯結果決定下一個節點。

實際範例：打造一個 FAQ 對話機器人

本範例將建立一個簡單的對話流程：

  1. 使用者輸入問題。
  2. 呼叫 OpenAI GPT 模型回覆。
  3. 若輸入為 “bye”，流程結束；否則持續對話。

1. 安裝套件

pip install langgraph langchain openai

2. 定義狀態與回應節點

from langgraph.graph import StateGraph, END
from langchain.chat_models import ChatOpenAI
from typing import TypedDict

# 自訂狀態格式
class ConversationState(TypedDict):
    messages: list[str]
    last_user_input: str

# 初始化 LLM
llm = ChatOpenAI(model="gpt-4", temperature=0)

# 處理回應的節點
def generate_response(state: ConversationState):
    user_input = state["last_user_input"]
    state["messages"].append(f"User: {user_input}")
    response = llm.predict(f"請回答以下問題：{user_input}")
    state["messages"].append(f"AI: {response}")
    return state

3. 定義流程結束條件與流程圖

# 判斷是否要結束對話
def should_continue(state: ConversationState):
    if state["last_user_input"].lower().strip() == "bye":
        return END
    return "generate"

# 建立流程圖
builder = StateGraph(ConversationState)
builder.add_node("generate", generate_response)
builder.set_entry_point("generate")
builder.add_conditional_edges("generate", should_continue)

graph = builder.compile()

4. 執行對話流程

# 初始狀態
state = {
    "messages": [],
    "last_user_input": "你好，這是什麼系統？"
}

# 執行第一輪
state = graph.invoke(state)

# 模擬第二輪
state["last_user_input"] = "LangGraph 是什麼？"
state = graph.invoke(state)

# 模擬結束對話
state["last_user_input"] = "bye"
state = graph.invoke(state)

# 印出對話記錄
for msg in state["messages"]:
    print(msg)

範例輸出結果

User: 你好，這是什麼系統？
AI: 這是一個由 LangGraph 架構的對話系統。
User: LangGraph 是什麼？
AI: LangGraph 是一個讓開發者用流程圖方式設計 AI 應用的工具。
User: bye
AI: 感謝使用，祝您有美好的一天。

總結與延伸

LangGraph 為 LLM 應用程式帶來一個明確的結構化框架，讓我們能夠模組化管理多步驟流程、狀態記憶與條件判斷。相較於傳統方式，它更適合用來構建複雜、可維護的對話式 AI 應用。

延伸應用可以包括：

  • 整合 LangChain 工具（如：向量資料庫、搜尋引擎）
  • 建構具有分支與回饋機制的智能 Agent
  • 開發能根據上下文自我修正的 RAG 系統
  • 將整個 LangGraph 部署為 Web API 或背景工作流程

參考文件

  1. LangGraph: LangChain Agent 的殺手鐧 (入門)

歡迎分享按讚給予支持和鼓勵！

KD Chang（張凱迪）

Related Posts

Comments