LangGraph.js 在 Web 环境中的使用指南
2026-02-04 04:27:13作者:仰钰奇
前言
在现代 Web 开发中,JavaScript 运行时环境多种多样,从传统的浏览器环境到各种服务器端运行时如 Node.js、Deno、边缘计算平台等。LangGraph.js 作为一个功能强大的图计算框架,在设计时考虑到了这些不同环境的兼容性问题。本文将深入探讨如何在 Web 环境中正确使用 LangGraph.js,特别是那些不支持 async_hooks API 的环境。
环境兼容性概述
LangGraph.js 核心功能依赖于 Node.js 的 async_hooks API 来实现便捷的追踪和回调传播。这一设计在以下环境中表现良好:
- Node.js
- Deno
- 边缘计算平台
- Edge runtime
然而,浏览器环境并不支持 async_hooks API。为了解决这个问题,LangGraph.js 提供了专门的 Web 入口点。
Web 专用入口点
LangGraph.js 提供了 @langchain/langgraph/web 入口点,这个版本:
- 不初始化也不导入 async_hooks
- 导出与主入口点完全相同的功能
- 专为浏览器等不支持 async_hooks 的环境设计
基础使用示例
import {
END,
START,
StateGraph,
Annotation,
} from "@langchain/langgraph/web";
import { BaseMessage, HumanMessage } from "@langchain/core/messages";
// 定义图状态
const GraphState = Annotation.Root({
messages: Annotation<BaseMessage[]>({
reducer: (x, y) => x.concat(y),
}),
});
// 定义节点函数
const nodeFn = async (_state: typeof GraphState.State) => {
return { messages: [new HumanMessage("Hello from the browser!")] };
};
// 构建图
const workflow = new StateGraph(GraphState)
.addNode("node", nodeFn)
.addEdge(START, "node")
.addEdge("node", END);
// 编译并执行
const app = workflow.compile({});
const finalState = await app.invoke({ messages: [] });
console.log(finalState.messages[finalState.messages.length - 1].content);
安全注意事项
在浏览器环境中使用 LangGraph.js 时,必须特别注意安全问题:
- 切勿在前端代码中暴露任何敏感信息
- 对于聊天模型,建议使用可以在客户端无认证运行的方案
- 重要操作应当始终在服务端完成
配置传递机制
由于浏览器缺乏 async_hooks 支持,当在节点内调用 Runnable 时(如调用聊天模型),需要手动传递 config 对象以确保:
- 追踪功能正常工作
.streamEvents()能够流式传输中间步骤- 其他回调相关功能正常运作
配置传递示例
const nodeFn = async (_state: StateType, config?: RunnableConfig) => {
const nestedFn = RunnableLambda.from(
async (input: string, _config?: RunnableConfig) => {
return new HumanMessage(`Hello from ${input}!`);
}
).withConfig({ runName: "nested" });
// 关键:传递 config 参数
const responseMessage = await nestedFn.invoke("a nested function", config);
return { messages: [responseMessage] };
};
常见问题解决方案
问题1:无法获取嵌套函数的流事件
原因:未正确传递 config 对象
解决方案:
- 确保节点函数接收 config 参数
- 在调用嵌套 Runnable 时传递该 config
问题2:追踪信息丢失
原因:async_hooks 不可用且未手动传递配置
解决方案:
- 使用
@langchain/langgraph/web入口点 - 按照上述方式手动传递配置
最佳实践
- 环境检测:在代码中检测运行环境,自动选择合适的入口点
- 配置传递:建立严格的配置传递规范,确保所有嵌套调用都能获得必要的配置
- 错误处理:为配置缺失的情况添加明确的错误提示
- 性能监控:在关键节点添加性能监控点,特别是在浏览器环境中
进阶主题
对于需要更复杂功能的开发者,可以考虑:
- 自定义中间件:在配置传递过程中添加自定义处理逻辑
- 状态管理:结合前端状态管理库(如 Redux)管理图状态
- 性能优化:针对浏览器环境优化大型图的处理性能
总结
在 Web 环境中使用 LangGraph.js 需要注意以下几点:
- 选择正确的入口点(
@langchain/langgraph/web) - 正确处理配置传递
- 遵守安全最佳实践
- 了解不同环境的限制和特性
通过遵循这些指导原则,开发者可以充分利用 LangGraph.js 的强大功能,同时在各种 Web 环境中保持应用的稳定性和安全性。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
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++
893
676
暂无简介
Dart
802
199
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
350
203
昇腾LLM分布式训练框架
Python
118
147
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
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
68
20
🎉 (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
1.37 K
781