Lang-Agent：AI知能の構成を視覚化するLangGraphベースのプラットフォーム

Lang-Agent是一个基于LangGraph技术栈开发的AI智能体（Agent）配置平台。它提供了一个可视化的操作界面，让用户可以通过拖拽节点和连线的方式，构建具有有限可编程能力的复杂工作流程。这个项目的设计理念接近于ComfyUI，鼓励开发者根据自己的业务需求创建专用的功能节点，而不是像dify或coze那样提供一个完全封装好的平台。Lang-Agent的核心特点是引入了“状态变量”的概念，允许数据在整个工作流中灵活传递和控制，打破了传统工作流中“上一节点的输出是下一节点的唯一输入”的限制，从而能够实现更加精确和复杂的逻辑控制。项目采用前后端分离架构，后端基于FastAPI，前端则使用ReactFlow和HeroUI构建。

機能一覧

• 可视化流程编排: 提供拖拽式的画布界面，用户可以直观地构建和组织Agent的执行逻辑。
• 丰富的内置节点: 系统内置了多种核心节点，包括开始、结束、用户输入、LLM（大语言模型）、计数器、文档加载、代码执行器以及向量存储和召回等。
• 状态变量管理: 支持自定义全局状态变量，这些变量可以在节点的输入输出和边的条件判断中使用，实现对工作流的精准控制。
• 预制Agent: 集成了两种可以直接使用的预制Agent：ReactAgent（能够自主调用外部工具）和SupervisorAgent（能够自主调用其他Agent）。
• 模型和向量库配置: 用户可以方便地配置连接不同的大语言模型（LLM）和Embedding模型，并支持对接Postgres和Milvus等多种向量数据库。
• 工具调用（MCP）配置: 支持配置MCP（为大语言模型提供访问外部服务的工具），用于需要工具调用的场景。
• 高可扩展性: 提供了清晰的自定义节点开发指南，开发者可以轻松扩展前端组件和后端逻辑，以适应特定的业务场景。
• 流程导入导出: 支持将配置好的Agent工作流导出为JSON文件，或从JSON文件导入，方便分享和复用。

ヘルプの使用

Lang-Agent由前端（lang-agent-frontend）和后端（lang-agent-backend）两部分组成，在使用前需要分别对它们进行安装和启动。

インストールとスタートアップ

1.プロジェクトコードのクローニング
首先，从GitHub克隆项目的源代码到本地。

git clone https://github.com/cqzyys/lang-agent.git

2. 后端安装和启动 (lang-agent-backend)
后端使用Poetry进行包管理。

• 初期化環境: 进入后端项目目录，并使用Poetry安装依赖。

  cd lang-agent-backend
  poetry env use python
  poetry shell
  poetry install
  

• プロジェクトの開始: 执行以下命令启动后端服务。

  python -m lang_agent.main
  

3. 前端安装和启动 (lang-agent-frontend)
前端使用Yarn进行包管理。

• 依存関係のインストール: 进入前端项目目录，并使用Yarn安装依赖包。

  cd lang-agent-frontend
  yarn install
  

• プロジェクトの開始: 执行以下命令启动前端开发服务器。

  yarn dev
  

启动成功后，可以通过浏览器访问 http://localhost:8820 进入Lang-Agent的操作界面。

コア機能の操作

1.環境構成
在开始构建Agent之前，需要先完成一些基础配置。

• モデル構成:
  1. 点击顶部导航栏的【模型配置】。
  2. 点击页面右上角的【+】图标，创建一个新的模型连接。
  3. な: 为模型起一个唯一的自定义名称。
  4. 類型論セレクトllm（用于语言模型节点）或embedding（用于向量化节点）。
  5. 用水堀: 目前仅支持兼容OpenAI的渠道。
  6. 模型连接参数: 填入模型的API地址、密钥等参数。
• 向量库配置:
  1. 点击【向量库配置】标签。
  2. 点击【+】图标，配置一个新的向量库。
  3. な: 向量库的唯一名称。
  4. 類型論: 目前支持postgres歌で応えるmilvus.
  5. 填入向量库的连接地址（URI）、用户名、密码等信息。
  6. モデルの埋め込み: 选择一个在模型配置中已设置好的embeddingモデル

2. Agent配置
这是项目的核心功能，通过可视化界面来构建Agent。

• 创建Agent:
  1. 点击【Agent配置】标签，然后点击【新增Agent】卡片，进入配置页面。
  2. 配置页面分为左右两部分：左侧是资源树，包含了所有可用的节点和Agent；右侧是キャンバス，用于构建工作流。
• 构建流程:
  1. 拖拽节点: 从左侧资源树中将需要的节点（如“开始节点”、“LLM节点”、“输入节点”）拖拽到右侧的画布中。
  2. コンフィギュレーション・ノード:
     • スタートノード: 每个Agent都必须有且仅有一个。在这里可以设置状态变量，例如默认的messages用于存储对话历史，你也可以添加自定义变量（如counter用于计数）。
     • LLM节点: 这是实现智能对话的核心。需要选择一个已配置好的llm模型，并可以编写系统提示词（System Prompt）和用户提示词（User Prompt）。提示词中可以使用状态变量，语法为 {{variable_name}} もしかしたら {{messages['node_name']}}.
     • 输入节点: 用于接收用户的输入，并将其存入指定的状态变量（通常是messages).
  3. 接続ノード:
     • 默认边: 拖拽一个节点右侧的圆点到另一个节点左侧的圆点，即可创建一条执行路径。这表示源节点执行完毕后，会接着执行目标节点。
     • 条件边: 在连接后，可以为边设置一个执行条件。该条件表达式可以使用状态变量进行判断。例如，当一个计数器变量 {{counter}} 的值小于5时，才执行下一个节点。这使得构建循环和分支逻辑成为可能。
• 運転と試運転:
  1. 配置完成后，点击画布上方的【保存】按钮。
  2. 点击【运行】按钮，Agent将启动。
  3. 你可以在界面右下角的聊天框（chatbot）中与Agent进行交互，并查看运行结果。

アプリケーションシナリオ

1. 智能客服与问答机器人
   可以构建一个流程：首先接收用户问题，然后通过“向量召回节点”从知识库中检索相关信息，最后将检索到的信息和用户问题一起交给“LLM节点”生成最终回答。
2. コンテンツの自動生成
   可以设计一个诗人Agent：通过“LLM节点”生成一句诗，然后利用“计数器节点”和“条件边”实现循环，自动生成一首完整的诗。
3. 复杂任务处理的智能体
   用いるSupervisorAgent，让一个主Agent根据用户指令，自主决定调用其他专门负责不同任务（如数据查询、文件处理）的子Agent来协同完成复杂任务。
4. コードの生成と実行
   用户可以提出一个计算需求，通过“LLM节点”生成Python代码，然后将代码传递给“代码执行器节点”运行，并返回结果，实现一个简单的编程助手。

品質保証

1. Lang-Agent和其他Agent平台（如Dify, Coze）有什么区别?
   Lang-Agent的设计理念更接近于ComfyUI，它不提供一个完全封装好的应用平台，而是鼓励用户根据自己的业务需求，通过开发自定义节点来扩展功能。它的核心优势在于通过“状态变量”实现了更灵活的流程控制和数据传递，提供了有限但强大的可编程能力。
2. 什么是“状态变量”？它有什么用？
   “状态变量”可以理解为在Agent内部运行期间的一个全局字典。它可以在不同的节点之间传递数据，也可以被用于控制条件边的逻辑判断。例如，你可以定义一个名为count的变量，用“计数器节点”在每次循环时给它加一，然后在“条件边”中判断{{count}}是否达到某个值来决定是否结束循环。
3. 如何为Lang-Agent添加一个新的功能节点？
   开发者需要同时在前端和后端进行扩展。在前端，需要在指定目录下创建一个新的React组件（.tsx文件）来定义节点的界面和输入参数。在后端，则需要创建一个新的Python类文件（.py文件）来定义节点的业务逻辑。详细的伪代码和目录结构在官方文档中有提供。
4. ReactAgent 歌で応える SupervisorAgent 有什么不同?
   • ReactAgent 是一个让大语言模型自主调用外部工具（Tool）来完成任务的Agent，这些工具需要在MCP配置中预先定义好。
   • SupervisorAgent 是一个“主管”Agent，它本身不直接执行任务，而是根据指令，决定调用哪个已经配置好的“可复用Agent”来完成任务。