Machines à états LangGraph : gestion des flux de tâches d'agent complexes en production

Qu’est-ce que LangGraph ?

LangGraph est un framework d'orchestration de flux de travail conçu spécifiquement pour les applications LLM. Ses principes fondamentaux sont :

• Diviser les tâches complexes en états et transitions
• Gestion de la logique de transition d'état
• Gestion de diverses exceptions lors de l'exécution des tâches

Pensez au shopping : Parcourir → Ajouter au panier → Commander → Paiement. LangGraph nous aide à gérer efficacement ces flux de travail.

Concepts de base

1. États

Les états sont comme des points de contrôle dans l'exécution de vos tâches :

from typing import TypedDict, List

class ShoppingState(TypedDict):
    # Current state
    current_step: str
    # Cart items
    cart_items: List[str]
    # Total amount
    total_amount: float
    # User input
    user_input: str

class ShoppingGraph(StateGraph):
    def __init__(self):
        super().__init__()

        # Define states
        self.add_node("browse", self.browse_products)
        self.add_node("add_to_cart", self.add_to_cart)
        self.add_node("checkout", self.checkout)
        self.add_node("payment", self.payment)

2. Transitions d'État

Les transitions d'état définissent la « feuille de route » de votre flux de tâches :

class ShoppingController:
    def define_transitions(self):
        # Add transition rules
        self.graph.add_edge("browse", "add_to_cart")
        self.graph.add_edge("add_to_cart", "browse")
        self.graph.add_edge("add_to_cart", "checkout")
        self.graph.add_edge("checkout", "payment")

    def should_move_to_cart(self, state: ShoppingState) -> bool:
        """Determine if we should transition to cart state"""
        return "add to cart" in state["user_input"].lower()

3. Persistance de l'État

Pour garantir la fiabilité du système, nous devons conserver les informations d'état :

class StateManager:
    def __init__(self):
        self.redis_client = redis.Redis()

    def save_state(self, session_id: str, state: dict):
        """Save state to Redis"""
        self.redis_client.set(
            f"shopping_state:{session_id}",
            json.dumps(state),
            ex=3600  # 1 hour expiration
        )

    def load_state(self, session_id: str) -> dict:
        """Load state from Redis"""
        state_data = self.redis_client.get(f"shopping_state:{session_id}")
        return json.loads(state_data) if state_data else None

4. Mécanisme de récupération des erreurs

Toute étape peut échouer, et nous devons gérer ces situations avec élégance :

class ErrorHandler:
    def __init__(self):
        self.max_retries = 3

    async def with_retry(self, func, state: dict):
        """Function execution with retry mechanism"""
        retries = 0
        while retries < self.max_retries:
            try:
                return await func(state)
            except Exception as e:
                retries += 1
                if retries == self.max_retries:
                    return self.handle_final_error(e, state)
                await self.handle_retry(e, state, retries)

    def handle_final_error(self, error, state: dict):
        """Handle final error"""
        # Save error state
        state["error"] = str(error)
        # Rollback to last stable state
        return self.rollback_to_last_stable_state(state)

Exemple concret : système de service client intelligent

Regardons un exemple pratique : un système de service client intelligent :

from langgraph.graph import StateGraph, State

class CustomerServiceState(TypedDict):
    conversation_history: List[str]
    current_intent: str
    user_info: dict
    resolved: bool

class CustomerServiceGraph(StateGraph):
    def __init__(self):
        super().__init__()

        # Initialize states
        self.add_node("greeting", self.greet_customer)
        self.add_node("understand_intent", self.analyze_intent)
        self.add_node("handle_query", self.process_query)
        self.add_node("confirm_resolution", self.check_resolution)

    async def greet_customer(self, state: State):
        """Greet customer"""
        response = await self.llm.generate(
            prompt=f"""
            Conversation history: {state['conversation_history']}
            Task: Generate appropriate greeting
            Requirements:
            1. Maintain professional friendliness
            2. Acknowledge returning customers
            3. Ask how to help
            """
        )
        state['conversation_history'].append(f"Assistant: {response}")
        return state

    async def analyze_intent(self, state: State):
        """Understand user intent"""
        response = await self.llm.generate(
            prompt=f"""
            Conversation history: {state['conversation_history']}
            Task: Analyze user intent
            Output format:
            {{
                "intent": "refund/inquiry/complaint/other",
                "confidence": 0.95,
                "details": "specific description"
            }}
            """
        )
        state['current_intent'] = json.loads(response)
        return state

Usage

# Initialize system
graph = CustomerServiceGraph()
state_manager = StateManager()
error_handler = ErrorHandler()

async def handle_customer_query(user_id: str, message: str):
    # Load or create state
    state = state_manager.load_state(user_id) or {
        "conversation_history": [],
        "current_intent": None,
        "user_info": {},
        "resolved": False
    }

    # Add user message
    state["conversation_history"].append(f"User: {message}")

    # Execute state machine flow
    try:
        result = await graph.run(state)
        # Save state
        state_manager.save_state(user_id, result)
        return result["conversation_history"][-1]
    except Exception as e:
        return await error_handler.with_retry(
            graph.run,
            state
        )

Meilleures pratiques

1. Principes de conception de l'État

   • Gardez les états simples et clairs
   • Stocker uniquement les informations nécessaires
   • Considérez les exigences de sérialisation

2. Optimisation de la logique de transition

   • Utiliser des transitions conditionnelles
   • Évitez les boucles infinies
   • Définir des limites maximales de pas

3. Stratégie de gestion des erreurs

   • Mettre en œuvre une dégradation gracieuse
   • Enregistrer les informations détaillées
   • Fournir des mécanismes de restauration

4. Optimisation des performances

   • Utiliser des opérations asynchrones
   • Implémenter la mise en cache de l'état
   • Taille de l'état de contrôle

Pièges courants et solutions

1. Explosion d'État

   • Problème : Trop d'états rendant la maintenance difficile
   • Solution : fusionner les états similaires, utiliser des combinaisons d'états au lieu d'en créer de nouvelles

2. Situations d'impasse

   • Problème : transitions d'état circulaires provoquant le blocage des tâches
   • Solution : Ajouter des mécanismes de délai d'attente et des conditions de sortie forcée

3. Cohérence de l'État

   • Problème : États incohérents dans les environnements distribués
   • Solution : utilisez des verrous distribués et des mécanismes de transaction

Résumé

Les machines à états LangGraph fournissent une solution puissante pour gérer les flux de tâches complexes des agents IA :

• Gestion claire du flux de tâches
• Persistance fiable de l'état
• Gestion complète des erreurs
• Extensibilité flexible

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!