# LangGraphChatBot **Repository Path**: caiyuanlin_13/LangGraphChatBot ## Basic Information - **Project Name**: LangGraphChatBot - **Description**: 使用LangGraph+DeepSeek-R1+FastAPI+Gradio实现一个带有记忆功能的流量包推荐智能客服web端用例,同时也支持gpt大模型、国产大模型(OneApi方式)、Ollama本地开源大模型、阿里通义千问大模型 - **Primary Language**: Python - **License**: Not specified - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 16 - **Created**: 2025-03-07 - **Last Updated**: 2025-03-07 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 1、项目介绍 ## 1.1、本次分享介绍 **(第一期)[2025.2.27]带有记忆功能的流量包推荐智能客服web端用例** 主要内容:使用LangGraph+DeepSeek-R1+FastAPI+Gradio实现一个带有记忆功能的流量包推荐智能客服web端用例,同时也支持gpt大模型、国产大模型(OneApi方式)、Ollama本地开源大模型、阿里通义千问大模型 https://www.bilibili.com/video/BV1m89NYKE2J/ https://youtu.be/meuLnVCzEM4 **(第二期)[2025.3.2]带有记忆功能的流量包推荐智能客服web端用例+短期记忆和长期记忆+对话历史管理** 在第一期应用案例的基础上进行迭代短期记忆、长期记忆和对话历史管理 短期记忆(short-term):大模型在本次会话中的上下文记忆，Graph线程内的持久化 长期记忆(long-term):长期存储对话历史记录，Graph跨线程持久化 使用持久性来跟踪对话历史记录，它使继续对话变得容易。但是，随着对话时间越来越长，此对话历史记录可能会累积并占据越来越多的上下文窗口 这通常是不可取的，因为它会导致对LLM调用更昂贵、更长，并且可能导致错误。为了防止这种情况发生，也需要管理对话历史记录(自定义函数修剪和过滤state中的消息) https://www.bilibili.com/video/BV1a19bYVEg4/ https://youtu.be/CNmrvtCqveI ## 1.2 LangGraph介绍 LangGraph 是由 LangChain 团队开发的一个开源框架，旨在帮助开发者构建基于大型语言模型（LLM）的复杂、有状态、多主体的应用 它通过将工作流表示为图结构（graph），提供了更高的灵活性和控制能力，特别适合需要循环逻辑、状态管理以及多主体协作的场景 比如智能代理（agent）和多代理工作流 官方文档:https://langchain-ai.github.io/langgraph/ ## 1.1 核心概念 **图结构（Graph Structure）** LangGraph 将应用逻辑组织成一个有向图，其中： 节点（Nodes）:代表具体的操作或计算步骤，可以是调用语言模型、执行函数或与外部工具交互等 边（Edges）:定义节点之间的连接和执行顺序，支持普通边（直接连接）和条件边（基于条件动态选择下一步） **状态管理（State Management）** LangGraph 的核心特点是自动维护和管理状态 状态是一个贯穿整个图的共享数据结构，记录了应用运行过程中的上下文信息 每个节点可以根据当前状态执行任务并更新状态，确保系统在多步骤或多主体交互中保持一致性 **循环能力（Cyclical Workflows）** 与传统的线性工作流（如 LangChain 的 LCEL）不同，LangGraph 支持循环逻辑 这使得它非常适合需要反复推理、决策或与用户交互的代理应用 例如，一个代理可以在循环中不断调用语言模型，直到达成目标 ## 1.2 主要特点 **灵活性:** 开发者可以精细控制工作流的逻辑和状态更新，适应复杂的业务需求 **持久性:** 内置支持状态的保存和恢复，便于错误恢复和长时间运行的任务 **多主体协作:** 允许多个代理协同工作，每个代理负责特定任务，通过图结构协调交互 **工具集成:** 可以轻松集成外部工具（如搜索API）或自定义函数，增强代理能力 **人性化交互:** 支持“人在回路”（human-in-the-loop）功能，让人类在关键步骤参与决策 ## 1.3 使用场景 LangGraph 特别适用于以下场景： **对话代理:** 构建能够记住上下文、动态调整策略的智能聊天机器人 **多步骤任务:** 处理需要分解为多个阶段的复杂问题，如研究、写作或数据分析 **多代理系统:** 协调多个代理分工合作，比如一个负责搜索信息、另一个负责总结内容的系统 ## 1.4 与 LangChain 的关系 LangGraph 是 LangChain 生态的一部分，但它是独立于 LangChain 的一个模块 LangChain 更擅长处理简单的线性任务链（DAG），而 LangGraph 专注于更复杂的循环和多主体场景 你可以单独使用 LangGraph，也可以结合 LangChain 的组件（如提示模板、工具接口）来增强功能 # 2、前期准备工作 ## 2.1 开发环境搭建:anaconda、pycharm anaconda:提供python虚拟环境，官网下载对应系统版本的安装包安装即可 pycharm:提供集成开发环境，官网下载社区版本安装包安装即可 **可参考如下视频:** 集成开发环境搭建Anaconda+PyCharm https://www.bilibili.com/video/BV1q9HxeEEtT/?vd_source=30acb5331e4f5739ebbad50f7cc6b949 https://youtu.be/myVgyitFzrA ## 2.2 大模型相关配置 (1)GPT大模型使用方案(第三方代理方式) (2)非GPT大模型(阿里通义千问、讯飞星火、智谱等大模型)使用方案(OneAPI方式) (3)本地开源大模型使用方案(Ollama方式) **可参考如下视频:** 提供一种LLM集成解决方案，一份代码支持快速同时支持gpt大模型、国产大模型(通义千问、文心一言、百度千帆、讯飞星火等)、本地开源大模型(Ollama) https://www.bilibili.com/video/BV12PCmYZEDt/?vd_source=30acb5331e4f5739ebbad50f7cc6b949 https://youtu.be/CgZsdK43tcY # 3、项目初始化 ## 3.1 下载源码 GitHub或Gitee中下载工程文件到本地，下载地址如下： https://github.com/NanGePlus/LangGraphChatBot https://gitee.com/NanGePlus/LangGraphChatBot ## 3.2 构建项目 使用pycharm构建一个项目，为项目配置虚拟python环境 项目名称：LangGraphChatBot 虚拟环境名称保持与项目名称一致 ## 3.3 将相关代码拷贝到项目工程中 直接将下载的文件夹中的文件拷贝到新建的项目目录中 ## 3.4 安装项目依赖 命令行终端中直接运行如下命令安装依赖 pip install langgraph==0.2.74 pip install langchain-openai==0.3.6 pip install fastapi==0.115.8 pip install uvicorn==0.34.0 pip install gradio==5.18.0 # 4、项目测试 ## 4.1 带有记忆功能的流量包推荐智能客服web端用例1 主要内容:使用LangGraph+DeepSeek-R1+FastAPI+Gradio实现一个带有记忆功能的流量包推荐智能客服web端用例,同时也支持gpt大模型、国产大模型(OneApi方式)、Ollama本地开源大模型、阿里通义千问大模型 ### （1）启动main脚本 进入01_ChatBot文件夹下，在使用python main.py命令启动脚本前，需根据自己的实际情况调整代码中的如下参数 llms.py中关于大模型配置参数的调整，以及main.py脚本中的服务IP和PORT、LangSmith平台的API KEY等的设置 ### （2）运行webUI脚本进行测试 进入01_ChatBot文件夹下，再使用python webUI.py命令启动脚本前，需根据自己的实际情况调整代码中的如下参数，运行成功后，可以查看smith的跟踪情况 是否要流式输出可设置stream_flag = False或True，检查URL地址中的IP和PORT是否和main脚本中相同 运行成功后直接打开网址，在浏览器端进行交互测试 ## 4.2 应用案例2:带有记忆功能的流量包推荐智能客服web端用例+短期记忆和长期记忆+对话历史管理 在应用案例1的基础上进行迭代短期记忆、长期记忆和对话历史管理 短期记忆(short-term):大模型在本次会话中的上下文记忆，Graph线程内的持久化 长期记忆(long-term):长期存储对话历史记录，Graph跨线程持久化 使用持久性来跟踪对话历史记录，它使继续对话变得容易。但是，随着对话时间越来越长，此对话历史记录可能会累积并占据越来越多的上下文窗口 这通常是不可取的，因为它会导致对LLM调用更昂贵、更长，并且可能导致错误。为了防止这种情况发生，也需要管理对话历史记录(自定义函数修剪和过滤state中的消息) ### （1）短期记忆、长期记忆、对话历史管理测试 进入02_ChatBot文件夹下，在使用python demoWithMemory.py命令启动脚本前，需根据自己的实际情况调整代码中的如下参数 llms.py中关于大模型配置参数的调整 ### （2）启动main脚本 进入02_ChatBot文件夹下，在使用python main.py命令启动脚本前，需根据自己的实际情况调整代码中的如下参数 llms.py中关于大模型配置参数的调整，以及main.py脚本中的服务IP和PORT、LangSmith平台的API KEY等的设置 ### （3）运行webUI脚本进行测试 进入02_ChatBot文件夹下，再使用python webUI.py命令启动脚本前，需根据自己的实际情况调整代码中的如下参数，运行成功后，可以查看smith的跟踪情况 是否要流式输出可设置stream_flag = False或True，检查URL地址中的IP和PORT是否和main脚本中相同 运行成功后直接打开网址，在浏览器端进行交互测试