LangChain & LangGraph 编程助手

描述

本技能提供LangChain和LangGraph框架的编程辅助功能。当用户需要编写相关代码时，智能体将根据用户需求，参考resources文件夹中的示例代码，协助用户完成编码工作。resources文件夹包含了丰富的示例代码，涵盖RAG、Agent、工作流、工具定义、中间件、大模型调用等多个功能模块。

使用场景

当用户明确要求使用LangChain或LangGraph框架时，触发此技能：

明确提到使用LangChain编写代码
明确提到使用LangGraph编写代码
明确要求使用LangChain的API（如文档加载器、向量存储、工具等）
明确要求使用LangGraph的API（如StateGraph、函数式API、图API等）
要求参考resources文件夹中的LangChain/LangGraph示例代码
提到使用LangChain的特定功能（如Agent、RAG、中间件等）并暗示使用该框架
提到使用LangGraph的特定功能（如工作流、子图、中断等）并暗示使用该框架

指令

1. 需求分析

仔细分析用户的具体需求，确定需要实现的功能模块
识别用户使用的技术栈（LangChain、LangGraph或两者结合）
确定需要参考的示例代码所在的resources子目录

2. 查找相关示例

根据用户需求，在resources文件夹中查找对应的示例代码：

RAG相关需求

文档加载：resources/RAG/document_loaders.py
文本分割：resources/RAG/splitters.py
向量存储：resources/RAG/vectorstores_retrievers.py

Agent相关需求

Agent创建：resources/agent/create_agent.py
中间件实现：resources/agent/middleware.py
自定义模型：resources/agent/ChatOpenAIModel_LangChian.py

工作流相关需求

函数式API：resources/functional(workflow)_api/
图API：resources/graph-api/
工作流对比：resources/工作流_图_对比/
- 链式提示：chain_prompt_graph.py / chain_prompt_workflow.py
- 评估器-优化器：evaluator_optimizer_graph.py / evaluator_optimizer_workflow.py
- 并行化：parallelization_graph.py / parallelization_workflow.py
- 计划器-工作者：planner_worker_graph.py / planner_worker_workflow.py
- ReAct智能体：react_agent_graph.py / react_agent_workflow.py
- 路由工作流：routing_graph.py / routing_workflow.py

工具定义相关需求

基本工具定义：resources/工具定义/tool_define.py
Command工具：resources/工具定义/tool_command.py
内存存储：resources/工具定义/tool_memery_store.py
运行时上下文：resources/工具定义/tool_runtime_context.py
流式写入：resources/工具定义/tool_stream_writer.py

中间件相关需求

基于类的中间件：resources/中间件/class_based_middleware.py
基于装饰器的中间件：resources/中间件/decorator_based_middleware.py
上下文编辑：resources/中间件/context_editing.py
人工审核：resources/中间件/human_in_the_loop.py
LLM工具选择：resources/中间件/llm_tool_selector.py
模型调用限制：resources/中间件/model_call_limit.py
模型回退：resources/中间件/model_fallback.py
PII检测：resources/中间件/pii_detection.py
规划：resources/中间件/planning.py
摘要：resources/中间件/summary.py
工具调用限制：resources/中间件/tool_call_limit.py
工具重试：resources/中间件/tool_retry.py

大模型调用相关需求

OpenAI兼容模型：resources/大模型调用/ChatOpenAIModel_LangChian.py
Azure OpenAI：resources/大模型调用/Azure.py
Gemini：resources/大模型调用/Gemini.py
OpenAI官方API：resources/大模型调用/OpanAI.py

Embedding相关需求

本地Embedding：resources/embedding模型调用/local_embedding.py
云端Embedding：resources/embedding模型调用/cloud_embedding.py
OpenAI兼容Embedding：resources/embedding模型调用/opanai_embedding.py

上下文工程相关需求

消息管理：resources/上下文工程/messages.py
系统提示：resources/上下文工程/system_prompt.py

子图相关需求

状态共享：resources/子图/share_state.py
多级子图：resources/子图/father_son_grandson_noShareState.py
持久化：resources/子图/add_persistence.py

LangGraph中断相关需求

审批或拒绝：resources/langgraph中断/approve_or_reject.py
工具中的中断：resources/langgraph中断/interrupts_in_tools.py
审查和编辑状态：resources/langgraph中断/review_and_edit_state.py
验证人工输入：resources/langgraph中断/validating_human_input.py

时间旅行相关需求

时间旅行功能：resources/时间旅行/use_time_travel.py

MCP相关需求

调用本地工具：resources/MCP/调用本地工具/
调用远程MCP服务：resources/MCP/调用远程mcp服务/

完整案例参考

计算器Agent：resources/案例/Calculator_Agent/
深度研究：resources/案例/Deep_Research/
RAG Agent：resources/案例/RAG_Agent/

3. 代码实现

阅读相关示例代码的readme.md文件（如果存在），理解功能和使用方法
参考示例代码的实现方式和代码结构
根据用户的具体需求，编写符合要求的代码
确保代码风格与示例代码保持一致
如需要使用自定义模型，参考ChatOpenAIModel_LangChian.py的实现

4. 必要导入（重要）

在编写代码时，必须确保包含所有必要的导入语句。以下是常用导入说明：

通用基础导入

typing: TypedDict, List, Any, Dict, Optional
typing_extensions: TypedDict（用于更复杂的类型定义）

LangChain核心导入

langchain_core.messages: AIMessage, HumanMessage, SystemMessage, ToolMessage
langchain_core.prompts: ChatPromptTemplate
langchain_core.output_parsers: StrOutputParser
langchain_core.runnables: RunnablePassthrough
langchain.tools: tool
langchain.agents: create_agent

LangGraph图API导入

langgraph.graph: StateGraph, START, END, MessagesState
langgraph.graph.message: add_messages
langgraph.checkpoint.memory: InMemorySaver
langgraph.types: interrupt

LangGraph函数式API导入

langgraph.func: entrypoint, task

LangChain Agent中间件导入

langchain.agents.middleware: before_model, after_model, wrap_model_call, wrap_tool_call, AgentState, ModelRequest, ModelResponse, dynamic_prompt
langgraph.runtime: Runtime

LangChain文档加载器导入

langchain_community.document_loaders.csv_loader: CSVLoader
langchain_community.document_loaders: JSONLoader, BSHTMLLoader
langchain_docling.loader: DoclingLoader

LangChain文本分割器导入

langchain_text_splitters: RecursiveCharacterTextSplitter, CharacterTextSplitter, MarkdownHeaderTextSplitter, RecursiveJsonSplitter

LangChain向量存储导入

langchain_chroma: Chroma
langchain_core.vectorstores: VectorStore
langchain_core.embeddings: Embeddings

LangChain Embedding导入

langchain_openai: OpenAIEmbeddings
langchain_community.embeddings: HuggingFaceEmbeddings

LangChain模型导入

langchain_openai: ChatOpenAI
langchain_azure_chat_models: AzureChatOpenAI
langchain_google_genai: ChatGoogleGenerativeAI

LangChain RAG导入

langchain.chains: RetrievalQA
langchain_core.runnables: RunnablePassthrough

自定义模型导入

ChatOpenAIModel_LangChian: ChatOpenAIModel（如果使用resources中的自定义模型）

可视化导入

IPython.display: Image, display

其他常用导入

asyncio, uuid, time, os, pathlib.Path

导入注意事项

在提供代码时，必须包含所有使用的导入语句
如果代码中使用了某个类或函数，必须在导入部分包含对应的导入
对于自定义的类或函数，需要明确说明其来源或提供完整定义
建议将导入语句按照功能分组，便于阅读和维护
如果使用了第三方库，需要提醒用户安装相应的依赖包

5. 代码说明

提供清晰的代码注释，说明关键逻辑
解释代码的工作原理和使用方法
指出代码中使用的LangChain/LangGraph核心概念和API
如涉及复杂功能，提供使用示例

6. 注意事项

不要修改resources文件夹中的任何示例代码
参考示例代码时，理解其设计思路和实现方式
根据用户实际需求进行适配和调整
确保代码的正确性和可运行性
如涉及API密钥等敏感信息，提醒用户自行配置

常见错误及解决方案

缺少导入语句
- 错误：NameError: name 'AIMessage' is not defined
- 解决：确保导入了 from langchain_core.messages import AIMessage, HumanMessage, SystemMessage, ToolMessage
缺少类型定义
- 错误：NameError: name 'TypedDict' is not defined
- 解决：确保导入了 from typing import TypedDict 或 from typing_extensions import TypedDict
缺少工具装饰器
- 错误：工具函数无法被识别
- 解决：确保导入了 from langchain.tools import tool 并使用 @tool 装饰器
缺少状态定义
- 错误：NameError: name 'State' is not defined
- 解决：确保定义了状态类，例如 class State(TypedDict): ...
缺少图API导入
- 错误：NameError: name 'StateGraph' is not defined
- 解决：确保导入了 from langgraph.graph import StateGraph, START, END
缺少中间件导入
- 错误：NameError: name 'before_model' is not defined
- 解决：确保导入了 from langchain.agents.middleware import before_model, after_model, ...
自定义模型未导入
- 错误：ModuleNotFoundError: No module named 'ChatOpenAIModel_LangChian'
- 解决：确保自定义模型文件在正确路径，或提供完整的模型实现代码
第三方库未安装
- 错误：ModuleNotFoundError: No module named 'langchain_chroma'
- 解决：提醒用户安装相应的依赖包，例如 pip install langchain-chroma

代码质量保证

在提供代码前，检查所有导入是否完整
确保所有使用的类和函数都有对应的导入
对于自定义的类或函数，提供完整的实现或明确说明来源
建议用户在运行代码前安装必要的依赖包

langchain-langgraph-coding-assistant