DeepSeek LangGraph 学习

LangGraph背景

但是如果我们不想依赖平台，而是要自己开发一个带有工作流的 AI 应用，这时最好的方法就是借助框架来完成，比如前两年比较火的 LangChain，可以做出一条后面这样的链。

所以这个框架为什么叫 LangChain 也很好理解了，核心就是提供了 Chain（链）的功能。需要注意的是这条链在方向上来说是单向的，不能够向回流或者循环。

不过随着 AI 逐渐深入到业务，在落地一些应用的时候，大家就发现使用这种单向的链，有些应用搞不定，比如之前讲过的 AgenticRAG，也有人叫 GraphRAG。因为这样的应用不仅要有分支的功能，还要具备循环的功能。这时就需要用图结构来表示业务了。

去年 LangChain 开发了一个扩展库，取名叫 LangGraph。这个库功能很强大，因为能够实现图的方式，解决 AgenticRAG 那是小菜一碟。

LangGraph编程学习

pip install langgraph

from langgraph.graph import StateGraph, START,END

def supermarket(state):
    return {"ret": "{}买到了".format(state["ingredients"])}

if __name__ == "__main__":
    sg = StateGraph(dict)

    # 定义第一个节点
    sg.add_node("supermarket", supermarket)

    # 定义起始边
    sg.add_edge(START, "supermarket")
    # 定义结束边
    sg.add_edge("supermarket", END)

    graph = sg.compile()
    ret = graph.invoke({"ingredients": "羊排"})

    print(ret)

在代码的第 7 行，首先使用 StateGraph 方法定义了一个 Graph，可以理解为类似 Dify 创建了一个工作流。

from langgraph.graph import StateGraph, START,END

def supermarket(state):
    print("supermarket")
    return {"ret": "{}买到了".format(state["ingredients"])}

def recipe(state):
    print("recipe")
    return {"ret": "搜到了菜谱"}

def cooking(state):
    print("cooking")
    return {"ret": "做了一道菜"}

if __name__ == "__main__":
    sg = StateGraph(dict)

    # 定义节点
    sg.add_node("supermarket", supermarket)
    sg.add_node("recipe", recipe)
    sg.add_node("cooking", cooking)

    # 定义起始边
    sg.add_edge(START, "supermarket")

    # 定义普通边
    sg.add_edge("supermarket", "recipe")
    sg.add_edge("recipe", "cooking")

    # 定义结束边
    sg.add_edge("cooking", END)

    graph = sg.compile()
    ret = graph.invoke({"ingredients": "羊排"})

    print(ret)

因此如果想让“羊排”在节点间流转，应该在每一步都保存一下。但是基于目前的机制还有一个问题，那就是第一个节点的输出，同样也只能在第二个节点中拿到，在第三个节点中就拿不到了。

如果我想把每一步的输出也都保存下来，那代码应该这么写：

class State(TypedDict):
    ingredients: str
    ret: list

def supermarket(state):
    print("supermarket")
    return {
        "ingredients": state["ingredients"],
        "ret": ["{}买到了".format(state["ingredients"])]
    }

def recipe(state):
    print("recipe")
    last_ret = state["ret"]
    return {
        "ingredients": state["ingredients"],
        "ret": last_ret + ["搜到了红烧{}的菜谱".format(state["ingredients"])]
    }

def cooking(state):
    print("cooking")
    last_ret = state["ret"]
    return {
        "ingredients": state["ingredients"],
        "ret": last_ret + ["做了一道红烧{}".format(state["ingredients"])]
    }

一共有两处改动。第一，State 我不直接用 dict 类型了，而是写一个 State 类，里面存放两个变量，一个是每一步都需要的 ingredients 变量，也就是“羊排”。另一个修改则是每一步的返回值 ret，由于需要存多个 ret，因此需要把它定义成列表。

GraphRAG

GraphRAG 的核心是知识图谱 + 图搜索

Graph RAG 的第一步，就是从非结构化文本中提取信息，构建一个知识图谱。这个过程可以通过 LLM 来完成。

提取代码描述

像是代码这种文本，其结构特点是由一个个的函数组成。因此对于这样的文本去构建知识图谱，是非常困难的。因为我们不管怎么切割文本，也都很难保证函数的完整性。除非将函数截成一张张的图片，然后利用视觉模型进行识别，然后再入库等，这就很麻烦了。

因此我们最好是先做一下预处理，用 LLM 将每一个代码文件的描述提取出来，基于描述文本再去构建知识图谱就会简单得多。

使用的Cursor 对文件进行的描述，具体方法是，我们在 Cursor 中打开该项目，然后点击打开一个文件后，按住 Ctrl + L，就会召唤出对话模式。此时我们贴入提示词即可，提示词如下：

依次将所有文件的描述全部提取出来，放入到一个 txt 文件中，留着待会使用 GraphRAG 构建知识图谱使用。

安装GraphRAG

编辑配置文件settings.yaml

将 models 里的 default_chat_model 以及 default_embedding_model 的信息从 OpenAI 改成我们自己国内的，比如 DeepSeek。当然如果你的服务器能访问 openai，那直接使用 OpenAI 也行。

其中 api_base、api_key 和 model 需要我们修改一下。这里 chat model 我用的是 deepseek-chat，embedding 用的是通义千问的 text-embedding-v1

代码分析测试

可以看到其将所有的相关代码描述都列出来了，而且还做了总结。

继续查询另一个

graphrag query --root ./graphrag/ --method local --query "获取单个产品用到了哪个模型 "

列出了 Product 实体类的结构，而且还做了代码分析等，效果是非常好的，这是 LLM + 传统 RAG 达不到的效果。