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 StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
项目优选
收起
deepin linux kernel
C
28
16
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
576
99
暂无描述
Dockerfile
710
4.51 K
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++
958
955
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.61 K
942
Ascend Extension for PyTorch
Python
573
694
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
414
339
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.43 K
116
暂无简介
Dart
952
235
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
12
2