Agentes de observação criados com o LangGraph

Certifique-se de que os seguintes pré-requisitos estejam atendidos.

• Python 3.8 ou uma versão posterior esteja instalada.

• Uma chave de LLM do tipo API, como a da Anthropic, OpenAI, ou qualquer outro provedor de LLM compatível com LangGraph.

• Uma chave de pesquisa API (opcional, para a funcionalidade da ferramenta de pesquisa — Tavily ou DuckDuckGo ).

• Instana está configurado para sua aplicação, consulte a seção “Introdução ”.

Para integrar o Instana à sua aplicação do LangGraph, siga estas etapas:

1. Instale os pacotes necessários para LangGraph e OpenLLMetry.

   pip install langgraph langchain-anthropic duckduckgo-search traceloop-sdk

2. Defina as credenciais do seu provedor de LLM e da ferramenta de pesquisa.

   export ANTHROPIC_API_KEY="<your-api-key>"
   export TAVILY_API_KEY="<your-tavily-api-key>"

   Nota:

   Substitua pela variável de ambiente do seu provedor de LLM caso utilize um provedor diferente (por exemplo, OPENAI_API_KEY para OpenAI ). A chave ` API ` do Tavily é opcional caso você esteja usando outra ferramenta de pesquisa.

3. Crie seu aplicativo LangGraph.

   O exemplo a seguir mostra um fluxo de trabalho com vários participantes, envolvendo um pesquisador e um redator:

   import os
   from typing import Literal
   from langchain_anthropic import ChatAnthropic
   from langchain_community.tools import DuckDuckGoSearchRun
   from langchain_core.messages import BaseMessage, HumanMessage
   from langgraph.prebuilt import create_react_agent
   from langgraph.graph import MessagesState, StateGraph, START, END
   from langgraph.types import Command
   from traceloop.sdk import Traceloop
   from traceloop.sdk.decorators import workflow
   
   # Initialize OpenLLMetry
   Traceloop.init(app_name="langgraph_demo")
   
   # Define search tool
   search_tool = DuckDuckGoSearchRun()
   
   # Define LLM
   llm = ChatAnthropic(
       model="claude-3-5-sonnet-20241022",
       temperature=0.7,
       max_tokens=600
   )
   
   def get_next_node(last_message: BaseMessage, goto: str):
       if not last_message.content:
           return END
       return goto
   
   # Research agent and node
   research_agent = create_react_agent(
       llm,
       tools=[search_tool],
       state_modifier="You are a research assistant. Your job is to conduct thorough research."
   )
   
   def research_node(state: MessagesState) -> Command[Literal["writer", END]]:
       result = research_agent.invoke(state)
       goto = get_next_node(result["messages"][-1], "writer")
       result["messages"][-1] = HumanMessage(
           content=result["messages"][-1].content,
           name="researcher"
       )
       return Command(
           update={"messages": result["messages"]},
           goto=goto
       )
   
   # Writer agent and node
   writer_agent = create_react_agent(
       llm,
       tools=[search_tool],
       state_modifier="You are a blog writer. Your task is to create a well-structured blog post."
   )
   
   def writer_node(state: MessagesState) -> Command[Literal[END]]:
       result = writer_agent.invoke(state)
       result["messages"][-1] = HumanMessage(
           content=result["messages"][-1].content,
           name="writer"
       )
       return Command(
           update={"messages": result["messages"]},
           goto=END
       )
   
   # Define workflow graph
   workflow = StateGraph(MessagesState)
   workflow.add_node("researcher", research_node)
   workflow.add_node("writer", writer_node)
   workflow.add_edge(START, "researcher")
   graph = workflow.compile()
   
   # Execute workflow
   @workflow(name="langgraph_multi_agent_workflow")
   def run_workflow():
       events = graph.stream(
           {
               "messages": [
                   (
                       "user",
                       "First, research AI trends in 2025. "
                       "Then, based on that research, create a well-structured blog post."
                   )
               ]
           },
           {"recursion_limit": 150}
       )
   
       # Print workflow execution steps
       for event in events:
           print(event)
           print("----")
   
   if __name__ == "__main__":
       run_workflow()

4. Execute seu aplicativo LangGraph.

   python langgraph_app.py

   O aplicativo executa o fluxo de trabalho multiagente e exibe as etapas de execução:

   

5. Visualize os dados no site Instana.

   Após executar sua aplicação, os dados aparecerão no painel de observabilidade da Gen AI do Instana :

   

   O painel mostra:

   • Execução de fluxos de trabalho com múltiplos agentes

   • Transições de estado entre agentes

   • Chamadas de ferramentas (operações de pesquisa)

   • Interações do LLM com latência e uso de tokens

   • Decisões de roteamento condicionais

Para problemas comuns, como traços que não aparecem ou erros de conexão, consulte a seção "Solução de problemas".

• Explore as estruturas de agentes de IA compatíveis com o Instana

• Saiba mais sobre o cálculo de custos do uso do LLM

• Configure alertas para seus fluxos de trabalho do LangGraph