LangGraph项目中CompiledGraph与AsyncPostgresSaver的异常处理实践
在使用LangGraph框架开发基于PostgreSQL的ReAct Agent时,开发者可能会遇到与CompiledGraph和AsyncPostgresSaver相关的异常问题。本文将深入分析这些异常的产生原因,并提供解决方案。
问题现象
当开发者尝试将PostgreSQL作为CompiledGraph的检查点存储时,可能会遇到两种不同类型的异常:
-
类型不匹配异常:系统提示"operator does not exist: text = timestamp without time zone",表明在SQL查询中出现了类型不匹配的问题。
-
连接池关闭异常:系统抛出"the pool 'pool-1' is already closed"错误,表示异步连接池在使用前已被关闭。
根本原因分析
类型不匹配异常
这个问题的根源在于thread_id参数的类型定义。在PostgreSQL检查点实现中,thread_id被期望是一个UUID类型的值,但实际传入的是一个时间戳值(datetime.now())。这导致了SQL查询时PostgreSQL无法自动进行类型转换。
连接池关闭异常
这个问题源于异步连接池的生命周期管理不当。当使用async with语句创建连接池时,连接池会在代码块结束时自动关闭。如果在后续的ChatAgent调用中仍尝试使用这个已关闭的连接池,就会抛出异常。
解决方案
类型不匹配的修复
将thread_id参数改为使用UUID值:
# 修改前
config = RunnableConfig(run_name="RAG ReAct Agent", thread_id=datetime.now())
# 修改后
config = RunnableConfig(run_name="RAG ReAct Agent", thread_id=uuid7str())
连接池生命周期管理
有两种可行的解决方案:
-
全局连接池:将连接池作为类的成员变量,在整个应用生命周期中保持开启状态。
-
延迟初始化:在每次需要时创建新的连接池,但要注意性能影响。
推荐使用第一种方案:
class RAGAgent:
def __init__(self):
self._pool = None
async def init_pool(self):
if self._pool is None:
self._pool = AsyncConnectionPool(
conninfo=appconfig.POSTGRESQL_DATABASE_URI,
max_size=appconfig.DB_MAX_CONNECTIONS,
kwargs={"autocommit": True, "prepare_threshold": 0},
)
await self._pool.open()
最佳实践建议
-
类型一致性:确保所有传入PostgreSQL检查点的参数类型与数据库表定义一致。
-
资源管理:对于需要长期使用的资源(如数据库连接池),应该作为类成员变量管理其生命周期。
-
错误处理:在使用异步数据库操作时,应该添加适当的错误处理逻辑,特别是对于连接超时、连接中断等情况。
-
性能考虑:连接池大小应根据实际负载进行调整,避免过大或过小。
通过遵循这些实践,开发者可以更稳定地在LangGraph项目中使用PostgreSQL作为检查点存储,构建可靠的ReAct Agent应用。
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。C030
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