LangGraph项目中状态注入工具的正确使用方法
2025-05-19 05:27:26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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0217
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0138
uni-appA cross-platform framework using Vue.jsJavaScript09
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03
热门内容推荐
最新内容推荐
项目优选
收起
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
471
465
Ascend Extension for PyTorch
Python
758
968
昇腾LLM分布式训练框架
Python
186
231
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
699
1.4 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
879
2.03 K
暂无描述
Dockerfile
780
5.08 K
🔥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
70
22
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.04 K
271
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
2.08 K
217