Go 語言中的 LangGraph：基於 LangGraphgo 的 AI 任務編排

在 AI 任務編排領域，LangChain 提供了 LangGraph，幫助開發者搭建複雜、多步驟、有狀態的 AI 工作流。但這個庫主要基於 Python，而在 Go 語言生態中，如何實現類似的 AI 任務編排呢？今天，我們來介紹 langgraphgo，一個爲 Golang 量身定製的 AI 任務流管理框架。通 langgraphgo，你可以高效地構建 AI 代碼審計、對話系統、多智能體協作等應用。本文將簡單的解析其概念，並通過代碼示例****帶你體驗一下。

什麼是 langgraphgo？

langgraphgo 是 LangGraph 在 Go 語言中的擴展實現，提供的功能具體如下：

任務節點（Node）：每個任務都是一個獨立的執行單元，可以是 AI 代理、數據庫查詢、API 請求等。
有向圖（Graph）：任務之間形成有向無環圖（DAG），可定義複雜的執行流程。
狀態管理（State Management）：任務執行過程可以保留狀態，用於後續計算或分支判斷。

Langgraphgo 實戰示例

場景，智能代碼審計, 假設我們要實現一個智能代碼審計 AI，它的執行流程如下：

用戶上傳代碼
AI 執行代碼安全分析
如果發現漏洞，AI 自動修復
修復後，然後生成最終的安全報告

首先我們先創建一個 demo 項目，操作如下所示:

mkdir graph
cd graph/ && go mod init demo
go get github.com/tmc/langchaingo
go get github.com/tmc/langgraphgo

鍵入如下代碼, 具體如下所示:

package main
import (
    "context"
    "fmt"
    "github.com/tmc/langchaingo/llms"
    "github.com/tmc/langchaingo/llms/ollama"
    "github.com/tmc/langgraphgo/graph"
)
func main() {
    // 初始化LLM
    llm, err := ollama.New(ollama.WithModel("qwen2:7b"))
    if err != nil {
        panic(err)
    }
    // 創建任務流
    g := graph.NewMessageGraph()
    // 任務 1：代碼審計
    g.AddNode("audit", func(ctx context.Context, state []llms.MessageContent) ([]llms.MessageContent, error) {
        r, err := llm.GenerateContent(ctx, state, llms.WithTemperature(0.9))
        if err != nil {
            return nil, err
        }
        return append(state,
            llms.TextParts(llms.ChatMessageTypeAI, r.Choices[0].Content),
        ), nil
    })
    // 任務 2️：修復漏洞
    g.AddNode("fix", func(ctx context.Context, state []llms.MessageContent) ([]llms.MessageContent, error) {
        prompt := "請修復代碼中的安全漏洞，並返回安全版本的代碼。"
        state = append(state, llms.TextParts(llms.ChatMessageTypeHuman, prompt))
        r, err := llm.GenerateContent(ctx, state, llms.WithTemperature(0.9))
        if err != nil {
            return nil, err
        }
        return append(state,
            llms.TextParts(llms.ChatMessageTypeAI, r.Choices[0].Content),
        ), nil
    })
    // 任務 3️：生成審計報告
    g.AddNode("report", func(ctx context.Context, state []llms.MessageContent) ([]llms.MessageContent, error) {
        prompt := "請基於代碼審計過程生成最終的安全審計報告。"
        state = append(state, llms.TextParts(llms.ChatMessageTypeHuman, prompt))
        r, err := llm.GenerateContent(ctx, state, llms.WithTemperature(0.9))
        if err != nil {
            return nil, err
        }
        return append(state,
            llms.TextParts("ai", r.Choices[0].Content),
        ), nil
    })
    // 任務 4️：終點
    g.AddNode(graph.END, func(_ context.Context, state []llms.MessageContent) ([]llms.MessageContent, error) {
        return state, nil
    })
    // 設置任務流連接
    g.AddEdge("audit", "fix")      // 審計後進入修復
    g.AddEdge("fix", "report")     // 修復後生成報告
    g.AddEdge("report", graph.END) // 讓report連接END
    g.SetEntryPoint("audit")       // 設置入口節點
    // 編譯任務流
    runnable, err := g.Compile()
    if err != nil {
        panic(err)
    }
    // 運行任務流
    ctx := context.Background()
    res, err := runnable.Invoke(ctx, []llms.MessageContent{
        llms.TextParts(llms.ChatMessageTypeHuman, "func login(user_input string) { sql_query := \"SELECT * FROM users WHERE name = '\" + user_input + \"'\" }"),
    })
    if err != nil {
        panic(err)
    }
    // 輸出AI代碼審計結果
    fmt.Println(res)
}

代碼解析

AddNode採用func(ctx context.Context, state []llms.MessageContent) ([]llms.MessageContent, error) 結構：
  state []llms.MessageContent：存儲對話歷史，所有任務共享狀態。
  model.GenerateContent(ctx, state, llms.WithTemperature(0.9))：使用Ollama進行推理。
append(state, llms.TextParts(llms.ChatMessageTypeHuman, r.Choices[0].Content))：記錄 AI 生成的結果。

📌 任務流邏輯

audit：執行代碼審計，發現漏洞 → 進入 fix
fix：修復漏洞 → report 出報告
reprt 出報告 → 結束流程

運行結果如下所示:

從運行的效果來看，並不符合預期，可能是我理解不夠🤷

📌 結論

langgraphgo 是 Go 語言中 LangGraph 的一個擴展實現，適用於簡單的 AI 任務編排工作。本文通過智能代碼審計示例，展示了 langgraphgo 如何高效地執行 AI 任務流。💡 如果你希望在 Golang 生態中構建 AI 自動化工作流，我想 langgraphgo 絕對是一個不好的選擇🙂‍↕️（畢竟作者都不怎麼維護了，推薦還是使用 python 庫畢竟實時就擺在那裏了）！

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/kaVgTOZzx0ZYP5gUcVoPXw?poc_token=HKxV0mej8JCCiZeuWnLra0CKLk8KoO1V72E7I0Ua

猜你喜歡