今天，我们激动地宣布 LangGraph 模板，Python 和 JS 版本均已发布。这些模板仓库解决了常见的用例，并设计为易于配置和部署到 LangGraph Cloud。使用这些模板的最佳方式是下载最新版本的 LangGraph Studio，但您也可以将它们用作独立的 GitHub 仓库。
在过去一年中，我们反复看到，现实世界中的“代理”应用程序需要精心设计。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。
这促使我们投资开发 LangGraph，这是一个用于编排代理应用程序的底层框架，可为您的应用程序提供细粒度的控制。
但这种对底层控制的关注带来了一个权衡。我们创建的更高级别、端到端的抽象较少。虽然我们已经看到这些抽象通常需要在投入生产的过程中进行修改，但它们仍然是任何新项目的有用起点。
这就是我们推出 LangGraph 模板。的原因。它们为新手和经验丰富的开发人员提供了简单的入口点，清晰地展示了代理的底层功能，以便您可以在项目增长时保持细致的控制。我们今天发布这些模板，旨在帮助您构建和部署复杂的代理应用程序，以解决实际问题。
为什么选择模板？
我们选择模板是因为这样可以轻松修改代理的内部功能。使用模板，您克隆仓库 - 然后您可以访问所有代码，因此您可以更改提示、链式逻辑以及您想做的任何其他事情！
对我们来说，这在易于入门和仍然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一个库（如 LangChain）中，可能会更容易入门，但修改底层代码会更加棘手（您必须找到源代码并复制粘贴）。当我们准备这次发布时，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，我们还可以将它们设置为尽可能易于调试和部署的方式。所有模板的结构都使其可以加载到 LangGraph Studio 中进行调试，或一键部署到 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。有很多选项可供选择！我们希望使这些模板可配置，以便您可以选择您想要的提供商。
我们将通过使图本身中的某些字段可配置来实现这一点。然后，我们将提供您可以选择的选项的描述，作为此配置的一部分。如果您正在加载作为 LangGraph Studio 一部分的模板，您将逐步完成设置步骤，在其中选择您想要的提供商。
首先，我们不希望有特定于单个提供商的模板。我们希望所有模板的编写方式都不会依赖于提供商的特性。我们将致力于 LangChain 中的基本抽象，以确保情况如此。
我们有目的地从少量提供商开始，但将逐步扩大数量。
少量高质量的模板
对于本次初始发布，我们明确专注于少量高质量的模板。我们仅发布三个模板，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 - 基于特定数据源的聊天机器人。此聊天机器人将从 Elastic 或其他搜索索引中执行检索步骤，然后根据检索到的数据生成响应。
ReAct 代理
ReAct 代理架构是目前最通用的代理架构。此架构将使用工具调用来选择要调用的正确工具，并循环直到完成。
数据增强代理
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。它使用带有搜索工具的 ReAct 代理架构进行研究，然后进行反思步骤，以检查其响应是否准确或是否需要进行更多研究。您可以在 此处观看此代理的 YouTube 演示。
我们还包括了第四个模板，它是空的。这可以用于从头开始构建 LangGraph 应用程序。
结论
LangGraph 已被证明是非常可配置和非常可定制的，我们确信它是代理架构的坚实基础。我们很高兴推进模板，将其作为一种使 LangGraph 更容易入门的方式。虽然我们发布了少量模板，但我们还有更多正在努力添加的模板在待办事项列表中。
关键链接