LangGraph项目中状态注入工具的正确使用方法
2025-05-19 15:52:55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
kernelopenEuler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。C0123
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
491
3.62 K
Ascend Extension for PyTorch
Python
300
332
暂无简介
Dart
740
178
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
288
123
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++
866
473
仓颉编译器源码及 cjdb 调试工具。
C++
150
881
React Native鸿蒙化仓库
JavaScript
297
345
🔥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
65
20
Dora SSR 是一款跨平台的游戏引擎,提供前沿或是具有探索性的游戏开发功能。它内置了Web IDE,提供了可以轻轻松松通过浏览器访问的快捷游戏开发环境,特别适合于在新兴市场如国产游戏掌机和其它移动电子设备上直接进行游戏开发和编程学习。
C++
52
7