如何设置 LangGraph.js 应用程序以进行部署¶

要将 LangGraph.js 应用程序部署到 LangGraph Cloud（或进行自托管），必须使用 LangGraph API 配置文件对其进行配置。本操作指南将讨论使用 package.json 指定项目依赖项来设置 LangGraph.js 应用程序以进行部署的基本步骤。

本演练基于此仓库，你可以通过操作该仓库来深入了解如何设置 LangGraph 应用程序以进行部署。

最终的仓库结构大致如下：

my-app/
├── src # 所有项目代码都存放在此处
│   ├── utils # 图的可选实用工具
│   │   ├── tools.ts # 图的工具
│   │   ├── nodes.ts # 图的节点函数
│   │   └── state.ts # 图的状态定义
│   └── agent.ts # 构建图的代码
├── package.json # 包依赖项
├── .env # 环境变量
└── langgraph.json # LangGraph 的配置文件

每一步之后，都会提供一个示例文件目录，以展示如何组织代码。

指定依赖项¶

可以在 package.json 中指定依赖项。如果尚未创建这些文件，则可以稍后在 LangGraph API 配置文件中指定依赖项。

package.json 文件示例：

{
  "name": "langgraphjs-studio-starter",
  "packageManager": "yarn@1.22.22",
  "dependencies": {
    "@langchain/community": "^0.2.31",
    "@langchain/core": "^0.2.31",
    "@langchain/langgraph": "^0.2.0",
    "@langchain/openai": "^0.2.8"
  }
}

文件目录示例：

my-app/
└── package.json # 包依赖项

指定环境变量¶

可以选择在文件（例如 .env）中指定环境变量。请参阅环境变量参考，为部署配置其他变量。

示例 .env 文件：

MY_ENV_VAR_1=foo
MY_ENV_VAR_2=bar
OPENAI_API_KEY=key
TAVILY_API_KEY=key_2

示例文件目录：

my-app/
├── package.json
└── .env # 环境变量

定义图¶

实现你的图！图可以在单个文件或多个文件中定义。记录要包含在 LangGraph 应用程序中的每个已编译图的变量名。这些变量名将在创建 LangGraph API 配置文件时使用。

以下是一个 agent.ts 示例：

import type { AIMessage } from "@langchain/core/messages";
import { TavilySearchResults } from "@langchain/community/tools/tavily_search";
import { ChatOpenAI } from "@langchain/openai";

import { MessagesAnnotation, StateGraph } from "@langchain/langgraph";
import { ToolNode } from "@langchain/langgraph/prebuilt";

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

// 定义调用模型的函数
async function callModel(
  state: typeof MessagesAnnotation.State,
) {
  /**
   * 调用驱动我们的智能体的大语言模型。
   * 可以随意自定义提示、模型和其他逻辑！
   */
  const model = new ChatOpenAI({
    model: "gpt-4o",
  }).bindTools(tools);

  const response = await model.invoke([
    {
      role: "system",
      content: `你是一个乐于助人的助手。当前日期是 ${new Date().getTime()}.`
    },
    ...state.messages
  ]);

  // MessagesAnnotation 支持返回单条消息或消息数组
  return { messages: response };
}

// 定义确定是否继续的函数
function routeModelOutput(state: typeof MessagesAnnotation.State) {
  const messages = state.messages;
  const lastMessage: AIMessage = messages[messages.length - 1];
  // 如果大语言模型正在调用工具，则路由到工具节点。
  if ((lastMessage?.tool_calls?.length ?? 0) > 0) {
    return "tools";
  }
  // 否则结束图。
  return "__end__";
}

// 定义一个新图。
// 有关定义自定义图状态的更多信息，请参阅 https://langchain-ai.github.io/langgraphjs/how-tos/define-state/#getting-started
const workflow = new StateGraph(MessagesAnnotation)
  // 定义我们将循环的两个节点
  .addNode("callModel", callModel)
  .addNode("tools", new ToolNode(tools))
  // 将入口点设置为 `callModel`
  // 这意味着这个节点是第一个被调用的节点
  .addEdge("__start__", "callModel")
  .addConditionalEdges(
    // 首先，我们定义边的源节点。我们使用 `callModel`。
    // 这意味着这些是在调用 `callModel` 节点之后采用的边。
    "callModel",
    // 接下来，我们传入将确定目标节点的函数，
    // 该函数将在源节点被调用后调用。
    routeModelOutput,
    // 条件边可以路由到的可能目标列表。
    // 对于条件边在 Studio 中正确渲染图是必需的
    [
      "tools",
      "__end__"
    ],
  )
  // 这意味着在调用 `tools` 之后，接下来调用 `callModel` 节点。
  .addEdge("tools", "callModel");

// 最后，我们编译它！
// 这将其编译成一个可以调用和部署的图。
export const graph = workflow.compile();

将 CompiledGraph 赋值给变量

LangGraph Cloud 的构建过程要求将 CompiledGraph 对象赋值给 JavaScript 模块顶层的一个变量（或者，你可以提供一个创建图的函数）。

示例文件目录：

my-app/
├── src # 所有项目代码都位于此处
│   ├── utils # 图的可选实用工具
│   │   ├── tools.ts # 图的工具
│   │   ├── nodes.ts # 图的节点函数
│   │   └── state.ts # 图的状态定义
│   └── agent.ts # 构建图的代码
├── package.json # 包依赖项
├── .env # 环境变量
└── langgraph.json # LangGraph 的配置文件

创建 LangGraph API 配置¶

创建一个名为 langgraph.json 的 LangGraph API 配置文件。有关配置文件 JSON 对象中每个键的详细解释，请参阅 LangGraph CLI 参考。

示例 langgraph.json 文件：

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

请注意，CompiledGraph 的变量名出现在顶级 graphs 键的每个子键值的末尾（即 :<variable_name>）。

配置文件位置

LangGraph API 配置文件必须放置在与包含已编译图和相关依赖项的 TypeScript 文件处于同一级别或更高级别的目录中。

下一步¶

在你设置好项目并将其放在 GitHub 仓库中后，就该部署你的应用程序了。