LangGraph Cloud 快速开始¶

在本教程中，您将构建和部署一个简单的聊天机器人代理，该代理可以在互联网上查找信息。您将使用 LangGraph Cloud、LangGraph Studio 进行可视化和测试，并使用 LangGraph SDK 与部署的代理进行交互。

如果您想学习如何从头开始构建这样的代理，请查看 LangGraph 快速入门教程。

设置要求¶

本教程将使用：

Anthropic 作为 LLM - 在这里注册并获取 API 密钥。
Tavily 作为搜索引擎 - 在这里注册并获取 API 密钥。
LangSmith 作为托管 - 在这里注册并获取 API 密钥。

创建和配置您的应用程序¶

首先，让我们创建 LangGraph 应用程序所需的所有文件。

创建应用程序目录和文件

创建一个新应用程序 my-app，并使用以下文件结构：

mkdir my-app

PythonJavascript

my-app/
|-- agent.py            # 您的 LangGraph 代理代码
|-- requirements.txt    # 您的图所需的 Python 包
|-- langgraph.json      # LangGraph 配置文件
|-- .env                # 含 API 密钥的环境文件

my-app/
|-- agent.ts            # 您的 LangGraph 代理代码
|-- package.json        # 您的图所需的 Javascript 包
|-- langgraph.json      # LangGraph 配置文件
|-- .env                # 含 API 密钥的环境文件

定义您的图

PythonJavascript

agent.py 文件应包含图的代码。

agent.ts 文件应包含图的代码。

以下代码示例是一个简单的聊天机器人代理（类似于先前教程中的代理）。特别是，它使用 create_react_agent，这是一个预构建的 ReAct 风格代理。

agent 文件需要有一个带有 CompiledGraph 的变量（在这种情况下是 graph 变量）。

PythonJavascript

# agent.py
from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults
from langgraph.prebuilt import create_react_agent

model = ChatAnthropic(model="claude-3-5-sonnet-20240620")

tools = [TavilySearchResults(max_results=2)]

# 编译图
graph = create_react_agent(model, tools)

// agent.ts
import { ChatAnthropic } from "@langchain/anthropic";
import { TavilySearchResults } from "@langchain/community/tools/tavily_search";
import { createReactAgent } from "@langchain/langgraph/prebuilt";

const model = new ChatAnthropic({
  model: "claude-3-5-sonnet-20240620",
});

const tools = [
  new TavilySearchResults({ maxResults: 3, }),
];

// 编译图
export const graph = createReactAgent({ llm: model, tools });

指定依赖关系

PythonJavascript

您应该将图的依赖关系添加到 requirements.txt 中。

您应该将图的依赖关系添加到 package.json 中。

在这种情况下，我们只需要四个包以使图运行：

PythonJavascript

langgraph
langchain_anthropic
tavily-python
langchain_community

{
  "name": "my-app",
  "packageManager": "yarn@1.22.22",
  "dependencies": {
    "@langchain/community": "^0.3.11",
    "@langchain/core": "^0.3.16",
    "@langchain/langgraph": "0.2.18",
    "@langchain/anthropic": "^0.3.7"
  }
}

创建 LangGraph 配置文件

langgraph.json 文件是一个配置文件，描述您要部署的图。在这种情况下，我们只有一个图：来自 agent.py / agent.ts 的编译 graph 对象。

PythonJavascript

{
  "dependencies": ["."],
  "graphs": {
    "agent": "./agent.py:graph"
  },
  "env": ".env"
}

{
  "node_version": "20",
  "dockerfile_lines": [],
  "dependencies": ["."],
  "graphs": {
    "agent": "./src/agent.ts:graph"
  },
  "env": ".env"
}

了解更多关于 LangGraph CLI 配置文件的信息请点击这里。

指定环境变量

.env 文件应该包含运行图所需的任何环境变量。这仅在本地测试时使用，因此如果您不在本地测试，可以跳过这一步。

Warning

.env 文件不应与 Github 存储库中的其余源代码一起包含。当使用 LangGraph Cloud 创建部署时，您将能够手动指定环境变量。

对于此图，我们需要两个环境变量：
```
ANTHROPIC_API_KEY=...
TAVILY_API_KEY=...
```

Tip

了解更多关于不同应用程序结构选项的信息请点击这里。

现在我们已经在本地文件系统上设置了所有内容，准备在本地测试我们的图。

在本地测试应用程序¶

在使用 LangGraph Cloud 部署之前，您可以在本地启动 LangGraph 服务器或使用 LangGraph Studio 来测试 LangGraph 应用程序。

使用本地服务器¶

您可以通过本地运行 LangGraph 服务器来测试您的应用程序。这对于确保您正确配置了我们的 CLI 配置文件并可以与您的图进行交互非常有用。

要在本地运行服务器，您需要首先安装 LangGraph CLI：

pip install langgraph-cli

然后您可以在本地测试我们的 API 服务器。为了在本地运行服务器，您需要将 LANGSMITH_API_KEY 添加到 .env 文件中。

langgraph up

这将在本地启动 LangGraph API 服务器。如果成功运行，您应该会看到类似以下内容：

Ready!
- API: http://localhost:8123

首先，让我们通过调用 /ok 端点来验证服务器是否正常运行：

curl --request GET --url http://localhost:8123/ok

输出：

{"ok": "true"}

现在我们准备使用真实输入来测试应用程序！

curl --request POST \
    --url http://localhost:8123/runs/stream \
    --header 'Content-Type: application/json' \
    --data '{
    "assistant_id": "agent",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": "纽约的天气怎么样?"
            }
        ]
    },
    "stream_mode": "updates"
}'

输出：

...

data: {
  "agent": {
    "messages": [
      {
        "content": "Tavily 的搜索结果提供了纽约市当前的天气情况，包括温度、风速、降水量、湿度和云层覆盖。根据结果，截至 2024 年 10 月 30 日下午 3:00，纽约的天气是阴天，温度约为 66°F (19°C)，西南方向轻风约 8 mph (13 km/h)，湿度为 66%。\n\n因此，总结一下，纽约当前的天气是阴天，温度在 60 多华氏度之间，轻风，基于搜索结果。如果您需要其他详细信息，请让我知道！",
        "type": "ai",
        ...
      }
    ]
  }
}

您可以看到我们的代理用最新的搜索结果进行了响应！

使用 LangGraph Studio Desktop¶

您还可以使用 LangGraph Studio 在本地测试您的应用程序。LangGraph Studio 提供了一种新的方式来开发 LLM 应用程序，提供一个专业的代理 IDE，使您能够可视化、交互和调试复杂的代理应用程序。

借助可视化图形和编辑状态的能力，您可以更好地了解代理工作流程并更快地迭代。LangGraph Studio 与 LangSmith 集成，使您可以与团队成员协作以调试故障模式。

LangGraph Studio 可作为桌面应用程序提供给 MacOS 用户。安装应用后，您可以选择 my-app 目录，这将自动在本地启动服务器并在 UI 中加载图。

要与 LangGraph Studio 中的聊天机器人代理互动，您可以在 输入 部分添加新消息并按 提交。

LangGraph Studio Desktop

部署到 LangGraph Cloud¶

一旦您在本地测试了图并验证它按预期工作，您可以将其部署到 LangGraph Cloud。

首先，您需要将 my-app 目录变成一个 GitHub 仓库并推送到 GitHub。一旦您创建了包含已编译图形的 Python 文件的 GitHub 存储库以及带有配置的 langgraph.json，您可以前往 LangSmith，点击左侧导航栏底部的图形图标（LangGraph Cloud）。这将打开 LangGraph 部署页面。在此页面上，点击右上角的 + 新部署 按钮。

Langsmith 工作流程

如果您之前没有部署到 LangGraph Cloud： 会出现一个按钮，显示 从 GitHub 导入。您需要按照此流程将 LangGraph Cloud 连接到 GitHub。

一旦您设置好 GitHub 连接： 新部署页面将如下所示：

部署页面在填写前

要部署您的应用程序，您应该执行以下步骤：

从选择器中选择您的 GitHub 用户名或组织
在搜索框中搜索要部署的存储库并选择它
为您的部署选择一个名称
在 Git Branch 字段中，您可以指定要部署的代码分支，或确切的提交 SHA。
在 LangGraph API 配置文件 字段中，输入 langgraph.json 文件的路径（在此情况下，即为 langgraph.json）
如果您的应用程序需要环境变量，请在 环境变量 部分添加这些变量。它们将会传播到基础服务器，以便您的代码可以访问它们。在这种情况下，我们需要 ANTHROPIC_API_KEY 和 TAVILY_API_KEY。

点击 提交，您的应用程序将开始部署！

在您的部署完成后，您的部署页面应如下所示：

已部署页面

与您的部署互动¶

使用 LangGraph Studio（云）¶

在您的应用程序的部署页面上，您应该在右上角看到一个按钮，上面写着 LangGraph Studio。点击此按钮将带您进入 LangGraph Studio 的网页版本。这是您在本地测试应用时所交互的相同用户界面，但这次它使用的是您在 LangGraph Cloud 部署中的服务器。

运行中的 Studio UI

使用 LangGraph SDK¶

您还可以通过编程方式与已部署的 LangGraph 应用程序进行交互，使用 LangGraph SDK。

首先，请确保您已安装 SDK：

PythonJavascript

pip install langgraph_sdk

yarn add @langchain/langgraph-sdk

在使用之前，您需要获取您的 LangGraph 部署的 URL。您可以在 Deployment 视图中找到它。点击 URL 将其复制到剪贴板。

您还需要确保已正确设置您的 API 密钥，以便您可以与 LangGraph Cloud 进行身份验证。

export LANGSMITH_API_KEY=...

使用 SDK 时的第一步是设置我们的客户端，访问我们的助手，并创建一个线程以执行运行：

PythonJavascriptCURL

from langgraph_sdk import get_client

client = get_client(url=<DEPLOYMENT_URL>)
# 获取默认助手
assistants = await client.assistants.search(metadata={"created_by": "system"})
assistant = assistants[0]
# 创建线程
thread = await client.threads.create()
print(thread)

import { Client } from "@langchain/langgraph-sdk";

const client = new Client({ apiUrl: <DEPLOYMENT_URL> });
// 获取默认助手
const assistants = await client.assistants.search({ metadata: {"created_by": "system"} })
const assistant = assistants[0];
// 创建线程
const thread = await client.threads.create();
console.log(thread)

curl --request POST \
    --url <DEPLOYMENT_URL>/assistants/search \
    --header 'Content-Type: application/json' \
    --data '{
        "limit": 10,
        "offset": 0,
        "metadata": {"created_by": "system"}
    }' &&
curl --request POST \
    --url <DEPLOYMENT_URL>/threads \
    --header 'Content-Type: application/json' \
    --data '{}'

然后我们可以在该线程上执行运行：

PythonJavascriptCURL

input = {
    "messages": [{"role": "user", "content": "纽约的天气如何？"}]
}

async for chunk in client.runs.stream(
    thread["thread_id"],
    assistant["assistant_id"],
    input=input,
    stream_mode="updates",
):
    if chunk.data:
        print(chunk.data)

const input = { "messages": [{ "role": "user", "content": "纽约的天气如何？"}] };

const streamResponse = client.runs.stream(
  thread["thread_id"],
  assistant["assistant_id"],
  {
    input,
    streamMode: "updates"
  }
);
for await (const chunk of streamResponse) {
  if (chunk.data) {
    console.log(chunk.data);
  }
}

curl --request POST \
  --url <DEPLOYMENT_URL>/threads/<THREAD_ID>/runs/stream \
  --header 'Content-Type: application/json' \
  --data '{
    "assistant_id": <ASSISTANT_ID>,
    "input": {
    "messages": [
        {
            "role": "user",
            "content": "纽约的天气如何？"
        }
      ]
    },
    "stream_mode": "updates"
  }'

输出：

...

data: {
  "agent": {
    "messages": [
      {
        "content": "Tavily 的搜索结果提供了纽约市当前的天气情况，包括气温、风速、降水量、湿度和云层覆盖情况。根据结果，截至 2024 年 10 月 30 日下午 3:00，纽约市天阴，气温大约为 66°F（19°C），西南方向的微风约为每小时 8 英里（13 公里/小时），湿度为 66%。\n\n因此，总结一下，纽约市当前天气阴云密布，气温在中等的 60 华氏度，微风，基于搜索结果。如果您需要其他详细信息，请告诉我！",
        "type": "ai",
        ...
      }
    ]
  }
}

下一步¶

恭喜您！如果您完成了本教程，您已经在迈向成为 LangGraph Cloud 专家的道路上走出了重要一步。以下是一些其他资源，以帮助您在成为专家的道路上继续前进：