LangGraph项目中状态注入工具的正确使用方法
2025-05-19 14:49:29作者:卓炯娓
在LangGraph项目中开发自定义代理时,状态管理是一个核心功能。许多开发者会遇到如何将Graph状态正确注入到工具函数中的问题。本文将详细介绍这一技术点的正确实现方式。
状态注入的基本原理
LangGraph提供了强大的状态管理机制,允许开发者在工作流的各个节点间共享和传递状态。当我们需要在工具函数中访问这些状态时,必须使用特定的注解方式。
常见错误模式
开发者经常犯的一个典型错误是直接使用自定义状态类作为注解,例如:
async def _request_files_tool(self, file_paths: list[str], state: CustomAgentState) -> List[Tuple[str, str]]:
...
或者尝试使用:
Annotated[dict, CustomAgentState]
这些方式都无法正常工作,会导致状态无法正确注入。
正确的实现方式
正确的做法是使用InjectedState注解:
from typing import Annotated
from langgraph.types import InjectedState
async def _request_files_tool(
self,
file_paths: list[str],
state: Annotated[dict, InjectedState]
) -> List[Tuple[str, str]]:
...
实现细节解析
-
注解的必要性:
InjectedState注解告诉LangGraph运行时系统需要将当前状态注入到这个参数中。 -
参数类型:状态参数应声明为
Annotated[dict, InjectedState],其中dict表示状态将以字典形式传递。 -
工具函数定义:无论是使用
StructuredTool还是BaseTool,都需要遵循相同的注解规则。
完整示例代码
from typing import Annotated, List, Tuple
from langgraph.graph import StateGraph
from langgraph.types import InjectedState
from langchain.tools.base import StructuredTool
class CustomAgent:
def __init__(self):
self._tools = [
StructuredTool.from_function(
coroutine=self._request_files_tool,
name="request_files_tool",
description="文件请求工具"
)
]
async def _request_files_tool(
self,
file_paths: List[str],
state: Annotated[dict, InjectedState]
) -> List[Tuple[str, str]]:
# 现在可以正确访问state中的内容
folder_path = state.get("folder_path")
# 处理逻辑...
注意事项
-
确保使用的LangGraph版本支持状态注入功能。
-
在工具函数中访问状态字典时,建议使用
.get()方法并提供默认值,以避免KeyError异常。 -
如果状态结构复杂,可以在工具函数内部将字典转换为自定义状态类实例。
通过正确使用状态注入机制,开发者可以构建更加灵活和强大的LangGraph工作流,实现复杂的业务逻辑和状态管理需求。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
671
155
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.83 K
React Native鸿蒙化仓库
JavaScript
259
322