LangChain 发布适用于 Python 和 JS 的 LangGraph 模板

根据LangChain 博客的消息，LangChain 宣布推出 LangGraph 模板，现在已经可以在 Python 和 JavaScript 中使用。这些模板旨在解决常见的用例，并简化配置和部署到 LangGraph 云。

利用这些模板的最佳方式是下载最新版本的 LangGraph Studio。不过，也可以将它们用作独立的 GitHub 仓库。过去一年中，LangChain 观察到实际应用场景中的“代理”应用程序需要仔细设计，于是开发了 LangGraph，一个用于编排代理应用程序的低级框架，提供了细粒度的控制。

为什么要引入模板？

LangChain 选择引入模板，以便更轻松地修改代理的内部功能。通过克隆仓库，开发人员可以访问所有代码，从而根据需要更改提示、链接逻辑和其他元素。这种方法在保持上手简单的同时，还保留了对底层代码的控制和定制的灵活性。

LangGraph 模板的结构易于调试和部署，可以在 LangGraph Studio 中直接部署到 LangGraph 云，只需点击一次。该结构旨在简化开发过程，同时保持对应用程序功能的控制。

可配置的模板

这些模板旨在使用语言模型、向量存储和各种工具，并提供多种选项。LangChain 计划通过允许在图中设置某些字段，使这些模板可配置。LangGraph Studio 的设置步骤将引导用户选择他们的首选提供商。

最初，LangChain 旨在避免特定于单个提供商的模板，确保所有模板都是与提供商无关的。虽然最初从有限数量的提供商开始，但 LangChain 计划逐步扩展。

少量高质量的模板

对于首次发布，LangChain 专注于少量高质量的模板，首批推出三款：

• RAG 聊天机器人：一个针对特定数据源的聊天机器人，从 Elastic 或其他搜索索引中进行检索，并基于检索的数据生成响应。
• ReAct 代理：一个通用的代理架构，使用工具调用选择正确的工具，并循环执行直到任务完成。
• 数据丰富代理：一个以研究为重点的代理，使用 ReAct 代理架构和搜索工具填充特定表格，包括一个反思步骤来验证响应的准确性。

另外还提供一个空模板，供希望从头开始构建 LangGraph 应用程序的用户使用。

结论

LangGraph 被证明高度可配置和可定制，为代理架构提供了坚实的基础。LangChain 对模板简化 LangGraph 用户的开发过程充满信心。尽管首次发布的模板数量有限，但我们正在开发更多模板，未来将会逐步添加。