组装一个 Agent · 把零件拼成能上线的系统 ​

// src/llm.js —— 单例出口
import 'dotenv/config'
import { ChatOpenAI } from '@langchain/openai'

/**
 * 全局唯一的模型实例。
 * 换模型 = 改 .env, 换厂商 = 改 configuration.baseURL, 代码一字不动。
 */
export function getModel() {
  return new ChatOpenAI({
    model: process.env.MODEL_NAME ?? 'gpt-4o-mini',
    apiKey: process.env.OPENAI_API_KEY,
    configuration: { baseURL: process.env.OPENAI_API_BASE },
    temperature: 0.3,              // 客服型,压低随机性
  })
}

// src/agent.js —— 组装核心
import 'dotenv/config'
import { StateGraph, START, END, Annotation } from '@langchain/langgraph'
import { MemorySaver } from '@langchain/langgraph'
import { toolsCondition } from '@langchain/langgraph/prebuilt' // 帮助判断"是否还有工具要调"
import { ToolNode } from '@langchain/langgraph/prebuilt'
import { getModel } from './llm.js'
import { calculator } from './tools/math.js'
import { getWeather } from './tools/weather.js'
import { searchKnowledge } from './rag.js'

// —— ① 定义"状态": 所有节点共享的黑板 ——
const State = Annotation.Root({
  messages: Annotation({ reducer: (a, b) => a.concat(b) }), // 消息一路追加, 就是记忆
  needsRag: Annotation(),        // 路由标记:要不要查资料
  needsTool: Annotation(),       // 路由标记:要不要调工具
})

// —— ② 模型 ——
const tools = [calculator, getWeather]
const model = getModel().bindTools(tools)

// —— ③ 各类节点 ——

// 路由:决定走哪条路
async function router(state) {
  const last = state.messages[state.messages.length - 1]
  const text = last.content.toLowerCase()

  // 粗略规则:含"查/手册/规定/能不能"→ 可能查资料; 含"算/几倍/多少"且像数字 → 工具
  // 更准的做法是再问模型一次, 这里先用关键词演示"分工"思路
  const needRag = /手册|规定|报销|加班|补贴/.test(text)
  const needTool = /算|天气/.test(text)

  return {
    needsRag: needRag,
    needsTool: needTool,
    messages: state.messages,
  }
}

async function chatNode(state) {
  const resp = await model.invoke(state.messages)
  return { messages: [resp] }
}

async function ragNode(state) {
  const last = state.messages[state.messages.length - 1].content
  const context = await searchKnowledge(last)       // 从向量库捞资料
  const reply = await model.invoke([
    { role: 'system', content: '严格依据以下资料回答,没有就拒绝。\n' + context },
    { role: 'user', content: last },
  ])
  return { messages: [reply], needsRag: false }
}

// 工具节点: LangGraph 帮你做"执行工具→结果回填"的循环
const toolNode = new ToolNode(tools)

// —— ④ 连成图 ——
const workflow = new StateGraph(State)
  .addNode('router', router)
  .addNode('chat', chatNode)
  .addNode('rag', ragNode)
  .addNode('tools', toolNode)

workflow.addEdge(START, 'router')

// 路由后的三条分支
workflow.addConditionalEdges('router', (state) => {
  if (state.needsTool) return 'tools'
  if (state.needsRag) return 'rag'
  return 'chat'
})

// 工具执行完,带回模型再走路由
workflow.addEdge('tools', 'chat')
workflow.addEdge('chat', END)
workflow.addEdge('rag', END)

// —— ⑤ 装配记忆:线程持久化 ——
export const agent = workflow.compile({
  checkpointer: new MemorySaver(),  // 生产换成 SqliteSaver/Redis
})

// src/index.js
import 'dotenv/config'
import readline from 'node:readline/promises'
import { agent } from './agent.js'

const rl = readline.createInterface({ input: process.stdin, output: process.stdout })
const thread = { configurable: { thread_id: 'guest-001' } }

console.log('🤖 全栈 Agent 已就绪(输入 bye 退出)')
console.log('试试: 我周末去北京出差能报销多少? ／ 今天上海天气? ／ (12+28)*5? ／ 报销额度是多少?\n')

while (true) {
  const q = await rl.question('你: ')
  if (q === 'bye') break
  const result = await agent.invoke({ messages: [{ role: 'user', content: q }] }, thread)
  const last = result.messages[result.messages.length - 1]
  console.log('AI: ' + last.content + '\n')
}