今天我们很高兴地宣布推出 LangGraph 模板，支持 Python 和 JS。这些模板库解决了常见的用例，并设计为易于配置并部署到 LangGraph Cloud。使用这些模板的最佳方式是下载最新版本的 LangGraph Studio，但您也可以将它们作为独立的 GitHub 仓库使用。
在过去一年中，我们反复看到真实的“代理”应用程序需要精心制作。开发人员需要构建受控的工作流程，并根据其特定需求调整模式。
这促使我们投入开发 LangGraph，这是我们用于编排代理应用程序的低级框架，可为您提供对应用程序的精细控制。
但这种对低级控制的关注是有取舍的。我们创建的高级、端到端抽象更少。虽然我们看到这些抽象在投入生产之前通常需要修改，但它们仍然是任何新项目的有用起点。
因此，我们推出了 LangGraph 模板。 它们为新手和有经验的开发人员都提供了便捷的入门途径，清晰地暴露了代理的低级功能，因此您可以在项目不断发展的同时保持详细的控制。我们今天发布它们是为了帮助您构建和部署复杂的代理应用程序来解决实际问题。
为什么选择模板？
我们选择模板是因为这使得修改代理的内部功能变得容易。使用模板，您可以克隆仓库 - 然后您就可以访问所有代码，可以更改提示、链式逻辑以及您想要的任何其他内容！
对我们来说，这在易于入门和允许这种可控性之间取得了良好的平衡。如果这些高级接口在库（如 LangChain）中，这可能会让入门更容易，但修改底层代码要困难得多（您需要找到源代码并复制粘贴）。在我们准备此次发布时，Andrzej Dabrowski 的一条推文很好地总结了这一点：“我们不需要抽象，我们需要模板”。
通过模板，我们还可以以一种尽可能易于调试和部署的方式进行设置。所有模板的结构都可以加载到 LangGraph Studio 中进行调试，或者一键部署到 LangGraph Cloud。
可配置的模板
这些模板自然会使用语言模型、向量存储和工具。有很多选择可供选择！我们希望使这些模板可配置，以便您可以选择所需的提供商。
我们将通过使图中的某些字段可配置来实现这一点。然后，我们将提供作为此配置一部分的可选描述。如果您将模板作为 LangGraph Studio 的一部分加载，您将通过一个设置步骤，在该步骤中选择您想要的提供商。
起初，我们不希望有特定于单一提供商的模板。我们的希望是所有模板的编写方式都不会依赖于提供商的特殊性。我们将努力改进 LangChain 中的基本抽象，以确保这一点。
我们特意从少量提供商开始，但会逐渐扩大数量。
少量高质量模板
在本次初步发布中，我们明确专注于少量高质量模板。我们仅推出三个模板，但会随着时间的推移慢慢添加更多。我们开始使用的三个模板是：
RAG 聊天机器人
这是我们看到的常见架构 - 针对特定数据源的聊天机器人。该聊天机器人将从 Elastic 或其他搜索索引中检索数据，然后根据检索到的数据生成响应。
ReAct 代理
ReAct 代理架构是最通用的代理架构。该架构将使用工具调用来选择正确的工具进行调用，并循环直到完成。
数据丰富代理
这是一个稍微更具体的代理，旨在进行研究以填写特定表格。它使用 ReAct 代理架构和搜索工具进行研究，然后进行反思步骤，以检查其响应是否准确或是否需要更多研究。您可以在 此处 查看此代理的 YouTube 演练。
我们还包含了一个第四个“空白”模板。这可用于从头开始构建 LangGraph 应用程序。
结论
LangGraph 被证明是非常可配置和高度可定制的，我们相信它是代理架构的坚实基础。我们很高兴能通过模板进一步努力，使 LangGraph 的入门更加容易。虽然我们推出了少量模板，但我们还有更多待办事项，我们正在努力添加。
关键链接