运行时重建图¶

你可能需要为新的运行使用不同的配置来重建你的图。例如，你可能需要根据配置使用不同的图状态或图结构。本指南将展示如何实现这一点。

注意

在大多数情况下，基于配置自定义行为应该通过一个图来处理，每个节点都可以读取配置并根据配置改变其行为。

先决条件¶

请先查看这个操作指南，了解如何为部署设置你的应用。

定义图¶

假设你有一个简单的应用程序，该程序调用一个大型语言模型（LLM）并返回响应给用户。该应用的文件目录结构如下所示：

my-app/
|-- requirements.txt
|-- .env
|-- openai_agent.py     # 你的图的代码

其中图在 openai_agent.py 中定义。

不重新构建¶

在标准的 LangGraph API 配置中，服务器使用的是在 openai_agent.py 文件顶层定义的编译后的图实例，其外观如下：

^{API Reference: ChatOpenAI | END | START | StateGraph}

from langchain_openai import ChatOpenAI
from langgraph.graph import END, START, StateGraph, MessagesState

model = ChatOpenAI(temperature=0)

graph_workflow = StateGraph(MessagesState)

graph_workflow.add_node("agent", model)
graph_workflow.add_edge("agent", END)
graph_workflow.add_edge(START, "agent")

agent = graph_workflow.compile()

为了让服务器知道你的图，你需要在 LangGraph API 配置文件（langgraph.json）中指定包含 CompiledStateGraph 实例变量的路径，例如：

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

重新构建¶

如果你想让图在每次新运行时根据自定义配置重新构建，需要重写 openai_agent.py，以提供一个函数，该函数接受一个配置并返回图（或编译后的图）实例。假设我们希望为用户 ID '1' 返回现有的图，而为其他用户返回一个工具调用代理。我们可以这样修改 openai_agent.py：

^{API Reference: ChatOpenAI | END | START | StateGraph | add_messages | ToolNode | tool | BaseMessage | RunnableConfig}

from typing import Annotated
from typing_extensions import TypedDict
from langchain_openai import ChatOpenAI
from langgraph.graph import END, START
from langgraph.graph.state import StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode
from langchain_core.tools import tool
from langchain_core.messages import BaseMessage
from langchain_core.runnables import RunnableConfig


class State(TypedDict):
    messages: Annotated[list[BaseMessage], add_messages]


model = ChatOpenAI(temperature=0)

def make_default_graph():
    """创建一个简单的 LLM 代理"""
    graph_workflow = StateGraph(State)
    def call_model(state):
        return {"messages": [model.invoke(state["messages"])]}

    graph_workflow.add_node("agent", call_model)
    graph_workflow.add_edge("agent", END)
    graph_workflow.add_edge(START, "agent")

    agent = graph_workflow.compile()
    return agent


def make_alternative_graph():
    """创建一个工具调用代理"""

    @tool
    def add(a: float, b: float):
        """将两个数字相加。"""
        return a + b

    tool_node = ToolNode([add])
    model_with_tools = model.bind_tools([add])
    def call_model(state):
        return {"messages": [model_with_tools.invoke(state["messages"])]}

    def should_continue(state: State):
        if state["messages"][-1].tool_calls:
            return "tools"
        else:
            return END

    graph_workflow = StateGraph(State)

    graph_workflow.add_node("agent", call_model)
    graph_workflow.add_node("tools", tool_node)
    graph_workflow.add_edge("tools", "agent")
    graph_workflow.add_edge(START, "agent")
    graph_workflow.add_conditional_edges("agent", should_continue)

    agent = graph_workflow.compile()
    return agent


# 这是图生成函数，它会根据提供的配置决定构建哪个图
def make_graph(config: RunnableConfig):
    user_id = config.get("configurable", {}).get("user_id")
    # 根据用户 ID 路由到不同的图状态 / 结构
    if user_id == "1":
        return make_default_graph()
    else:
        return make_alternative_graph()

最后，你需要在 langgraph.json 中指定图生成函数（make_graph）的路径：

{
    "dependencies": ["."],
    "graphs": {
        "openai_agent": "./openai_agent.py:make_graph",
    },
    "env": "./.env"
}

有关 LangGraph API 配置文件的更多信息，请参阅此处