update langgraph demo

Author: DjangoPeng

.gitignore

@@ -167,6 +167,7 @@ openai_api/data/fine_food_reviews_with_embeddings_1k_2146.csv
 # files of Vector Stores, e.g. Chroma
 *.pkl
 *.bin
+*.db
 
 langchain/openai-translator/flagged/*
 langchain/openai-translator/flask_temps/*

langchain/langgraph/LangGraph_guidebook.md

@@ -0,0 +1,269 @@
+## `functools.partial` 是什么
+
+在 Python 中，`partial` 方法是 `functools` 模块中的一个功能，它用于创建一个**新的函数**，这个函数是基于原函数的**部分参数已经固定**的版本。这在需要重复调用同一函数，并且传递相同的某些参数时非常有用。
+
+通过 `partial`，我们可以预先为函数的某些参数赋值，生成一个新的函数，这个新函数已经预先固定了部分参数，只需要再传递剩下的参数即可。
+
+###  `functools.partial`  在 `create_agent` 函数中的应用
+
+在你提供的代码中，`partial` 是用在 `ChatPromptTemplate` 的 `from_messages` 函数生成的提示模板上，它通过 `partial` 方法预先固定了部分参数。
+
+```python
+prompt = prompt.partial(system_message=system_message)
+prompt = prompt.partial(tool_names=", ".join([tool.name for tool in tools]))
+```
+
+这里的 `partial` 用于创建一个新的提示模板对象，并为 `system_message` 和 `tool_names` 这两个参数提供了值。这相当于对提示模板的“定制”，预先指定了这些参数的值。
+
+**`partial` 的具体作用：**
+
+1. 调用 `prompt.partial(system_message=system_message)`，预先为 `system_message` 参数赋值，生成一个新的提示模板，固定了系统消息的内容。
+2. 调用 `prompt.partial(tool_names=", ".join([tool.name for tool in tools]))`，为 `tool_names` 参数赋值，将所有工具的名称合并成一个字符串，并固定在新的模板中。
+
+通过这两步 `partial` 调用，`prompt` 对象中已经预先填入了 `system_message` 和 `tool_names` 这两个参数，简化了后续的调用过程。
+
+--------------------
+
+###  `functools.partial` 在 `research_node` 定义时的应用
+
+在这段代码中，`functools.partial` 用来创建一个新的函数，该函数已经预先绑定了部分参数。这种用法简化了后续调用函数时需要传递的参数，尤其是在重复使用某些固定参数时，`partial` 可以大大减少代码冗余。
+
+```python
+research_node = functools.partial(agent_node, agent=research_agent, name="Researcher")
+```
+
+这里的 `functools.partial` 创建了一个新的函数 `research_node`，该函数基于原始的 `agent_node` 函数，且已经为 `agent_node` 的部分参数（`agent` 和 `name`）预先设置了值。新的 `research_node` 函数只需要接收剩余的参数就可以正常运行。
+
+**`partial` 的具体作用：**
+
+1. **原始函数 `agent_node`**：
+   ```python
+   def agent_node(state, agent, name):
+       # 函数体...
+   ```
+   - `agent_node` 是一个接受 `state`, `agent`, 和 `name` 三个参数的函数。
+
+2. **使用 `functools.partial`**：
+   ```python
+   research_node = functools.partial(agent_node, agent=research_agent, name="Researcher")
+   ```
+   - 通过 `functools.partial`，我们创建了一个新的函数 `research_node`，它仍然是 `agent_node`，但 `agent` 参数和 `name` 参数已经被预先固定：
+     - `agent=research_agent`
+     - `name="Researcher"`
+   - 也就是说，调用 `research_node` 时，只需要传递 `state` 参数，因为 `agent` 和 `name` 已经有默认值了。
+
+**举个例子**
+
+假设有一个函数 `agent_node`，你经常需要调用它并传递相同的 `agent` 和 `name`，那么每次调用时重复写这些参数会很冗余。使用 `partial` 可以避免这种重复。
+
+```python
+# 原始函数定义
+def agent_node(state, agent, name):
+    print(f"State: {state}, Agent: {agent}, Name: {name}")
+
+# 预先设置 agent 和 name 参数
+research_node = functools.partial(agent_node, agent="research_agent_value", name="Researcher")
+
+# 调用时只需要传递剩下的参数
+research_node(state="current_state")
+# 输出: State: current_state, Agent: research_agent_value, Name: Researcher
+```
+
+### `functools.partial` 的优势
+
+1. **减少重复代码**：在你需要多次调用同一个函数并且某些参数不变时，`partial` 可以避免每次都传递相同的参数。
+   
+2. **简化函数调用**：在需要频繁使用相同参数时，`partial` 提供了更简洁的写法，使代码更易于维护。
+
+### 总结
+
+在这段代码中，`functools.partial` 的用法预先为 `agent_node` 函数的部分参数（`agent` 和 `name`）赋值，创建了一个新函数 `research_node`。调用 `research_node` 时，只需要传递剩下的参数（`state`），从而简化了函数调用的流程。
+
+-----------------
+
+## 什么是 ToolNode？
+
+**ToolNode** 是 LangChain 的一个预构建节点，它能够从图状态（`graph state`）中提取消息并调用指定的工具，最后将工具调用的结果反馈回图的状态中。ToolNode 非常适合与 LangGraph 中的 ReAct agent 协同工作，但也可以与任何 `StateGraph` 配合使用，只要状态中有 `messages` 键和合适的消息处理方式。
+
+## ToolNode 的特点
+1. **工具调用**：ToolNode 可以根据状态中的消息自动调用指定的工具，并返回工具的执行结果。
+2. **兼容性**：可以与任意支持工具调用的 LangChain 模型配合使用。
+3. **并行工具调用**：支持同时调用多个工具，并处理工具返回的多个结果。
+4. **错误处理**：ToolNode 默认启用了错误处理，可以处理工具在执行过程中的异常情况。
+
+### ToolNode 的使用步骤
+
+### 1. 安装和环境设置
+首先，安装所需的包并设置 API 密钥：
+
+```python
+%%capture --no-stderr
+%pip install --quiet -U langgraph langchain_anthropic
+import getpass
+import os
+
+def _set_env(var: str):
+    if not os.environ.get(var):
+        os.environ[var] = getpass.getpass(f"{var}: ")
+
+_set_env("ANTHROPIC_API_KEY")
+```
+
+### 2. 定义工具
+
+使用 `@tool` 装饰器定义可以被 ToolNode 调用的工具。下面的例子定义了两个工具：
+- `get_weather`：获取某个地点的天气。
+- `get_coolest_cities`：获取最酷的城市列表。
+
+```python
+from langchain_core.messages import AIMessage
+from langchain_core.tools import tool
+from langgraph.prebuilt import ToolNode
+
+@tool
+def get_weather(location: str):
+    """获取当前的天气。"""
+    if location.lower() in ["sf", "san francisco"]:
+        return "It's 60 degrees and foggy."
+    else:
+        return "It's 90 degrees and sunny."
+
+@tool
+def get_coolest_cities():
+    """获取最酷的城市列表"""
+    return "nyc, sf"
+
+tools = [get_weather, get_coolest_cities]  # 将定义的工具放入列表中
+tool_node = ToolNode(tools)  # 使用工具列表初始化 ToolNode
+```
+
+### 3. 手动调用 ToolNode
+
+**ToolNode** 通过图状态操作消息列表，它期望列表中的最后一条消息是一个带有 `tool_calls` 参数的 `AIMessage`。以下是手动调用 ToolNode 的示例：
+
+```python
+message_with_single_tool_call = AIMessage(
+    content="",
+    tool_calls=[
+        {
+            "name": "get_weather",
+            "args": {"location": "sf"},
+            "id": "tool_call_id",
+            "type": "tool_call",
+        }
+    ],
+)
+
+tool_node.invoke({"messages": [message_with_single_tool_call]})
+# 返回: {'messages': [ToolMessage(content="It's 60 degrees and foggy.", name='get_weather', tool_call_id='tool_call_id')]}
+```
+
+### 4. 并行调用多个工具
+
+ToolNode 也支持并行调用多个工具，只需在 `AIMessage` 的 `tool_calls` 参数中传入多个工具调用：
+
+```python
+message_with_multiple_tool_calls = AIMessage(
+    content="",
+    tool_calls=[
+        {
+            "name": "get_coolest_cities",
+            "args": {},
+            "id": "tool_call_id_1",
+            "type": "tool_call",
+        },
+        {
+            "name": "get_weather",
+            "args": {"location": "sf"},
+            "id": "tool_call_id_2",
+            "type": "tool_call",
+        },
+    ],
+)
+
+tool_node.invoke({"messages": [message_with_multiple_tool_calls]})
+# 返回:
+# {'messages': [ToolMessage(content='nyc, sf', name='get_coolest_cities', tool_call_id='tool_call_id_1'),
+#   ToolMessage(content="It's 60 degrees and foggy.", name='get_weather', tool_call_id='tool_call_id_2')]}
+```
+
+### 与对话模型结合使用
+
+在使用像 Anthropic 这样的对话模型时，模型可以自动生成带有 `tool_calls` 的 `AIMessage`，这样我们可以直接将模型生成的消息传给 ToolNode 来执行工具调用：
+
+```python
+from langchain_anthropic import ChatAnthropic
+from langgraph.prebuilt import ToolNode
+
+model_with_tools = ChatAnthropic(
+    model="claude-3-haiku-20240307", temperature=0
+).bind_tools(tools)
+
+tool_node.invoke({"messages": [model_with_tools.invoke("what's the weather in sf?")]})
+# 返回: {'messages': [ToolMessage(content="It's 60 degrees and foggy.", name='get_weather', tool_call_id='toolu_01LFvAVT3xJMeZS6kbWwBGZK')]}
+```
+
+### ToolNode 与 ReAct Agent 结合
+
+ReAct Agent 是 LangGraph 中的一种智能体，它会反复调用工具，直到收集到足够的信息来解决问题。以下是 ReAct Agent 的基本工作流，它通过工具节点来完成工具调用：
+
+```python
+from typing import Literal
+from langgraph.graph import StateGraph, MessagesState
+
+def should_continue(state: MessagesState) -> Literal["tools", "__end__"]:
+    messages = state["messages"]
+    last_message = messages[-1]
+    if last_message.tool_calls:
+        return "tools"
+    return "__end__"
+
+def call_model(state: MessagesState):
+    messages = state["messages"]
+    response = model_with_tools.invoke(messages)
+    return {"messages": [response]}
+
+# 创建状态图
+workflow = StateGraph(MessagesState)
+
+# 定义两个节点：一个用于调用模型，一个用于调用工具
+workflow.add_node("agent", call_model)
+workflow.add_node("tools", tool_node)
+
+workflow.add_edge("__start__", "agent")  # 从 agent 节点开始
+workflow.add_conditional_edges("agent", should_continue)  # 根据条件判断是否继续调用工具
+workflow.add_edge("tools", "agent")  # 工具调用完成后，返回 agent 节点
+
+app = workflow.compile()  # 编译状态图
+```
+
+### 例子：调用单个工具
+
+当用户输入 `"what's the weather in sf?"` 时，智能体将调用 `get_weather` 工具并返回天气信息：
+
+```python
+for chunk in app.stream(
+    {"messages": [("human", "what's the weather in sf?")]}, stream_mode="values"
+):
+    chunk["messages"][-1].pretty_print()
+```
+
+### 例子：连续调用多个工具
+
+当用户输入 `"what's the weather in the coolest cities?"` 时，智能体将依次调用 `get_coolest_cities` 和 `get_weather` 工具，返回所有城市的天气信息：
+
+```python
+for chunk in app.stream(
+    {"messages": [("human", "what's the weather in the coolest cities?")]},
+    stream_mode="values",
+):
+    chunk["messages"][-1].pretty_print()
+```
+
+### 错误处理
+
+ToolNode 默认启用了错误处理，可以处理工具执行中的异常情况。如果想禁用错误处理，可以设置 `handle_tool_errors=False`。
+
+### 总结
+
+**ToolNode** 是一个非常强大的组件，它能够自动调用工具并将结果反馈回工作流。它可以处理单个或多个工具调用，并与 LangChain 模型紧密结合，使得在复杂的多步骤任务中能够更高效地调用外部 API 或工具。