langgraph-codeact：实现复杂任务的高效编程架构

langgraph-codeact：实现复杂任务的高效编程架构

langgraph-codeact 项目地址: https://gitcode.com/gh_mirrors/la/langgraph-codeact

项目介绍

langgraph-codeact 是一个开源库，它实现了 CodeAct 架构在 LangGraph 中的运用。CodeAct 架构提供了一种替代 JSON 函数调用的方法，使得在更少的步骤中解决更复杂的任务成为可能。这一架构利用图灵完备编程语言（如本项目使用的 Python）的强大功能，组合和转换多个工具的输出。

项目技术分析

langgraph-codeact 基于 CodeAct 架构，允许用户定义和使用自定义工具，以及 LangChain 和 MCP 工具。它支持在对话回合之间保存消息历史和 Python 变量，从而使得复杂的交互和任务执行成为可能。此外，langgraph-codeact 提供了两种获取结果的方式：.invoke() 用于获取最终结果，而 .stream() 用于获取逐令牌输出。这使得它非常灵活，适用于各种复杂的编程任务。

项目及技术应用场景

langgraph-codeact 适用于需要执行复杂计算或任务调度的场景。例如，在一个数学问题求解的应用中，它可以定义数学工具，通过对话的形式接收用户输入的问题，并利用这些工具来计算和返回答案。以下是几个具体的应用场景：

1. 教育辅助：辅助学生通过对话形式解决数学或科学问题，提供逐步指导和解答。
2. 智能编程助手：在编程过程中提供代码执行和调试的支持，自动调用相关工具来优化代码。
3. 数据分析：在数据分析任务中，自动选择和组合适当的工具来处理数据，生成报告。

项目特点

以下是 langgraph-codeact 的几个主要特点：

• 消息历史保存：在对话回合之间保存消息历史，支持后续问题的跟进。
• 变量持久化：Python 变量在对话回合之间保持状态，使得复杂的交互成为可能。
• 自定义工具支持：用户可以自由定义和使用任何自定义工具，LangChain 工具，或 MCP 工具。
• 灵活的输出方式：通过 .invoke() 和 .stream() 方法，用户可以选择获取最终结果或逐令牌输出。
• 模型兼容性：langgraph-codeact 支持任何 LangChain 支持的模型，尽管目前仅测试了 Claude 3.7。
• 自定义代码沙盒：用户可以提供自己的代码沙盒，并使用简单的函数式 API 进行交互。
• 系统消息自定义：用户可以自定义系统消息，以满足特定需求。

实际应用示例

以下是一个使用 langgraph-codeact 解决数学问题的例子：

1. 定义工具：定义一系列数学函数，如加法、乘法、除法等。

2. 自定义代码沙盒：提供一个沙盒环境来执行代码，这里使用了 eval 函数进行演示（注意：生产环境中应使用沙盒环境来保证安全）。

3. 创建 CodeAct 图：初始化聊天模型，创建 CodeAct 实例，并编译为 Agent。

4. 运行：通过对话的形式接收问题，并使用 Agent 的 .stream() 方法获取逐令牌输出，或使用 .invoke() 方法获取最终答案。

# 示例代码片段
messages = [{
    "role": "user",
    "content": "一个棒球运动员以45.847 m/s的速度击打棒球，角度为23.474°。外野手面对击球手接住球后，以24.12 m/s的速度、39.12°的角度将球抛回。球从击球手击球的地方到球落地的距离是多少？假设忽略空气阻力。"
}]
for typ, chunk in agent.stream(
    {"messages": messages},
    stream_mode=["values", "messages"],
    config={"configurable": {"thread_id": 1}},
):
    if typ == "messages":
        print(chunk[0].content, end="")
    elif typ == "values":
        print("\n\n---答案---\n\n", chunk)

通过这样的架构，langgraph-codeact 极大地提高了编程任务的处理效率和灵活性，适用于多种复杂任务场景。开发者可以轻松地集成和使用该库，以构建更加智能和高效的应用程序。

langgraph-codeact 项目地址: https://gitcode.com/gh_mirrors/la/langgraph-codeact