새로운 실행을 위해 다른 구성으로 그래프를 재구성해야 할 수 있습니다. 예를 들어, 설정에 따라 다른 그래프 상태나 그래프 구조를 사용해야 할 수 있습니다. 이 가이드에서는 이를 수행하는 방법을 보여드립니다.
참고
대부분의 경우, 설정에 기반한 동작 커스터마이징은 각 노드가 설정을 읽고 그에 따라 동작을 변경할 수 있는 단일 그래프를 통해 처리되어야 합니다
사전 요구 사항
배포를 위한 앱 설정에 대한 이 가이드를 먼저 확인하시기 바랍니다.
그래프 정의하기
LLM을 호출하고 사용자에게 응답을 반환하는 간단한 그래프가 있는 앱이 있다고 가정해 보겠습니다. 앱 파일 디렉토리는 다음과 같습니다:
my-app/
|-- requirements.txt
|-- .env
|-- openai_agent.py # code for your graph
openai_agent.py에 정의되어 있습니다.
재구성 없이
표준 LangGraph API 구성에서 서버는 openai_agent.py의 최상위 레벨에 정의된 컴파일된 그래프 인스턴스를 사용하며, 다음과 같습니다:
from langchain_openai import ChatOpenAI
from langgraph.graph import END, START, MessageGraph
model = ChatOpenAI(temperature=0)
graph_workflow = MessageGraph()
graph_workflow.add_node("agent", model)
graph_workflow.add_edge("agent", END)
graph_workflow.add_edge(START, "agent")
agent = graph_workflow.compile()
langgraph.json)에서 CompiledStateGraph 인스턴스를 포함하는 변수의 경로를 지정해야 합니다. 예를 들어:
{
"dependencies": ["."],
"graphs": {
"openai_agent": "./openai_agent.py:agent",
},
"env": "./.env"
}
재구성하기
사용자 정의 구성으로 새로운 실행마다 그래프를 재구성하려면, openai_agent.py를 다시 작성하여 설정을 받아 그래프(또는 컴파일된 그래프) 인스턴스를 반환하는 _함수_를 제공해야 합니다. 사용자 ID ‘1’에 대해서는 기존 그래프를 반환하고, 다른 사용자에 대해서는 도구 호출 에이전트를 반환하고 싶다고 가정해 보겠습니다. 다음과 같이 openai_agent.py를 수정할 수 있습니다:
from typing import Annotated
from typing_extensions import TypedDict
from langchain_openai import ChatOpenAI
from langgraph.graph import END, START, MessageGraph
from langgraph.graph.state import StateGraph
from langgraph.graph.message import add_messages
from langchain.tools import tool
from langgraph.prebuilt import ToolNode
from langchain.messages import BaseMessage
from langchain_core.runnables import RunnableConfig
class State(TypedDict):
messages: Annotated[list[BaseMessage], add_messages]
model = ChatOpenAI(temperature=0)
def make_default_graph():
"""Make a simple LLM agent"""
graph_workflow = StateGraph(State)
def call_model(state):
return {"messages": [model.invoke(state["messages"])]}
graph_workflow.add_node("agent", call_model)
graph_workflow.add_edge("agent", END)
graph_workflow.add_edge(START, "agent")
agent = graph_workflow.compile()
return agent
def make_alternative_graph():
"""Make a tool-calling agent"""
@tool
def add(a: float, b: float):
"""Adds two numbers."""
return a + b
tool_node = ToolNode([add])
model_with_tools = model.bind_tools([add])
def call_model(state):
return {"messages": [model_with_tools.invoke(state["messages"])]}
def should_continue(state: State):
if state["messages"][-1].tool_calls:
return "tools"
else:
return END
graph_workflow = StateGraph(State)
graph_workflow.add_node("agent", call_model)
graph_workflow.add_node("tools", tool_node)
graph_workflow.add_edge("tools", "agent")
graph_workflow.add_edge(START, "agent")
graph_workflow.add_conditional_edges("agent", should_continue)
agent = graph_workflow.compile()
return agent
# this is the graph making function that will decide which graph to
# build based on the provided config
def make_graph(config: RunnableConfig):
user_id = config.get("configurable", {}).get("user_id")
# route to different graph state / structure based on the user ID
if user_id == "1":
return make_default_graph()
else:
return make_alternative_graph()
langgraph.json에서 그래프 생성 함수(make_graph)의 경로를 지정해야 합니다:
{
"dependencies": ["."],
"graphs": {
"openai_agent": "./openai_agent.py:make_graph",
},
"env": "./.env"
}
