使用 LangGraph 构建的观察器

在线编辑

LangGraph 这是一个用于使用 LangChain 构建带状态的多代理工作流的框架。 它支持创建具有循环执行流程、状态管理以及代理间条件路由功能的复杂代理系统。

Instana 为 LangGraph 应用程序提供可观测性，支持对多代理工作流、状态转换以及大型语言模型交互进行实时监控。

先决条件

在线编辑

请确保满足以下先决条件。

  • Python 3.8 已安装该版本或更高版本。

  • 一个 LLM API 密钥，例如 Anthropic、 OpenAI, 或 LangGraph 支持的任何 LLM 提供商。

  • 搜索 API 键（可选，用于搜索工具功能——Tavily或 DuckDuckGo ）。

  • Instana 已根据您的应用程序进行配置，请参阅 “入门指南 ”。

对 LangGraph 应用程序进行性能监控

在线编辑

要为您的 LangGraph 应用程序配置 Instana ，请完成以下步骤：

  1. 安装 LangGraph 和 OpenLLMetry 所需的软件包。

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

  2. 请设置您的 LLM 提供商和搜索工具的凭据。

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

    如果使用其他提供商，请替换为您的 LLM 提供商的环境变量（例如， OPENAI_API_KEYOpenAI ）。 如果您使用的是其他搜索工具，则 Tavily API 键为可选项。

  3. 创建您的 LangGraph 应用程序。

    下例展示了一个由研究人员和撰稿人组成的多代理工作流：

    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. 运行您的 LangGraph 应用程序。

    python langgraph_app.py

    该应用程序执行多智能体工作流，并显示执行步骤：

    图 1. LangGraph 输出
    LangGraph 输出

  5. 在 Instana 中查看数据。

    运行应用程序后，数据将显示在 Instana 的Gen AI可观测性仪表盘中：

    图 2. LangGraph Instana 中的痕迹
    LangGraph Instana 中的痕迹

    仪表盘显示：

    • 多智能体工作流执行

    • 代理之间的状态转换

    • 工具调用（搜索操作）

    • LLM 与延迟及令牌使用量的交互

    • 条件路由决策

故障诊断

在线编辑

对于“轨迹未显示”或“连接错误”等常见问题，请参阅 “故障排除 ”。

使用 create_react_agent 时的导入错误

在线编辑

问题 ：使用 create_react_agent. 时，指标或跟踪记录不完整。

可能原因 ：数据是从错误的包中导入的。

要解决此问题，请尝试从以下位置 create_react_agentlanggraph.prebuilt 导入：

# Correct import
from langgraph.prebuilt import create_react_agent

# Don't use this
from langchain.agents import create_react_agent

工作流执行错误

在线编辑

问题 ：工作流因递归限制错误而失败。

要解决此问题，请根据您的工作流复杂程度，尝试调整 调用 stream() 中的 参数 recursion_limit 。 对于复杂的多代理工作流，您可能需要将其值调高至默认值以上。