如何设置 LangGraph.js 应用程序¶

要将 LangGraph.js 应用程序部署到 LangGraph 平台（或自托管），必须使用 LangGraph 配置文件进行配置。本指南将介绍使用 package.json 指定项目依赖项以部署 LangGraph.js 应用程序的基本步骤。

本操作指南基于这个仓库，你可以通过它来了解如何为部署设置你的 LangGraph 应用程序。

最终的仓库结构大致如下：

my-app/
├── src # 所有项目代码都在这里
│   ├── utils # 你图的可选工具
│   │   ├── tools.ts # 你图的工具
│   │   ├── nodes.ts # 你图的节点函数
│   │   └── state.ts # 你图的状态定义
│   └── agent.ts # 构建你图的代码
├── package.json # 包依赖
├── .env # 环境变量
└── langgraph.json # LangGraph 的配置文件

在每一步之后，都会提供一个示例文件目录，以展示代码如何组织。

指定依赖项¶

可以在 package.json 文件中指定依赖项。如果没有创建这些文件，可以在 LangGraph 配置文件中稍后指定依赖项。

示例 package.json 文件：

{
  "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"
  }
}

在部署您的应用程序时，将使用您选择的包管理器安装依赖项，前提是它们符合以下列出的兼容版本范围：

"@langchain/core": "^0.3.42",
"@langchain/langgraph": "^0.2.57",
"@langchain/langgraph-checkpoint": "~0.0.16",

示例文件目录：

my-app/
└── package.json # 包依赖项

指定环境变量¶

环境变量可以可选地在文件中指定（例如 .env）。请参阅环境变量参考以配置部署的附加变量。

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！图可以在一个文件或多个文件中定义。请注意每个编译后的图的变量名称，这些变量将被包含在 LangGraph 应用程序中。稍后在创建 LangGraph 配置文件时会使用到这些变量名称。

以下是一个示例 agent.ts：

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) {
  /**
   * 调用驱动我们代理的 LLM。
   * 欢迎自定义提示、模型和其他逻辑！
   */
  const model = new ChatOpenAI({
    model: "gpt-4o",
  }).bindTools(tools);

  const response = await model.invoke([
    {
      role: "system",
      content: `You are a helpful assistant. The current date is ${new Date().getTime()}.`,
    },
    ...state.messages,
  ]);

  // MessagesAnnotation 支持返回单个消息或消息数组
  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 LLM 调用工具，则路由到那里。
  if ((lastMessage?.tool_calls?.length ?? 0) > 0) {
    return "tools";
  }
  // 否则结束图。
  return "__end__";
}

// 定义一个新的图。
// 有关定义自定义图状态的更多信息，请参见
// 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
  .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 `callModel` 节点调用之后采取的边。
    "callModel",
    // 接下来，我们传递将确定汇入节点的函数，
    // 该函数将在源节点调用之后被调用。
    routeModelOutput,
    // 列出条件边可以路由到的可能目的地。
    // 对于条件边正确地在 Studio 中渲染图是必需的
    ["tools", "__end__"]
  )
  // 这意味着在调用 `tools` 之后，`callModel` 节点将被下一次调用。
  .addEdge("tools", "callModel");

// 最后，我们将其编译！
// 这将其编译成你可以调用和部署的图。
export const graph = workflow.compile();

示例文件目录：

my-app/
├── src # 所有项目代码都在这里
│   ├── utils # 你图的可选实用工具
│   │   ├── tools.ts # 你图的工具
│   │   ├── nodes.ts # 你图的节点函数
│   │   └── state.ts # 你图的状态定义
│   └── agent.ts # 构建你图的代码
├── 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 LangGraph 配置文件，命名为 langgraph.json。有关配置文件中 JSON 对象每个键的详细说明，请参阅 LangGraph 配置文件参考。

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 键中每个子键值的末尾（即 :<variable_name>）。

配置位置

LangGraph 配置文件必须放置在包含编译图和相关依赖项的 TypeScript 文件所在目录的同一层级或更高层级的目录中。

下一步¶

在您设置好项目并将其放置在 GitHub 仓库之后，是时候部署您的应用了。