langdeep 0.1.3

LangChain + LangGraph Agent Workflow Framework

LangDeep

注解驱动的企业级多 Agent 工作流框架

⚠️ 项目状态：Alpha
API 可能发生变动，欢迎试用并提供反馈，暂不建议直接部署到关键生产环境。

---

✨ 为什么选择 LangDeep？

LangDeep 是一个基于 LangChain 和 LangGraph 构建的，注解驱动、开箱即用的企业级多 Agent 工作流框架。它旨在帮助开发者用极少的代码，快速搭建复杂的、具备生产能力的多 Agent 协作系统。

• 🎨 注解驱动: 使用 @model、@regist_tool、@agent 装饰器声明式注册组件，告别样板代码。
• 🧠 Supervisor（主管）智能调度: 内置主管 Agent 模式，自动将任务路由给最合适的专家 Agent。
• 📋 内置任务规划器: LLM 驱动的动态任务拆解，将复杂请求分解为可并行执行的子任务序列。
• 📝 外置 Prompt 管理: 将 Prompt 存储为 Markdown 文件，支持 {variable} 语法插值和热重载。
• 🔌 动态 Provider 注册: 无需修改核心代码即可接入任何模型提供商（OpenAI、Anthropic、DeepSeek、Ollama...）。
• ⏰ 定时任务与条件调度: 内置 Cron 调度器，支持定时执行工作流或基于业务条件触发。
• 💾 状态持久化: 支持 LangGraph Checkpointer，工作流可在任意节点中断并恢复。

---

📦 安装

pip install langdeep "langchain>=0.3.0" "langgraph>=0.2.0,<0.4.0"

---

🚀 快速开始 (5 分钟完整示例)

以下是一个端到端的示例：注册一个天气查询工具，定义一个天气专家 Agent，然后通过协调器执行任务。

from langdeep import FlowOrchestrator, agent, regist_tool

# 1. 注册工具
@regist_tool(name="get_weather", description="获取指定城市的天气")
def get_weather(city: str) -> str:
    # 模拟天气查询
    return f"{city} 晴朗，25°C"

# 2. 注册 Agent
@agent(
    name="weather_expert",
    description="天气专家，能够查询各地天气",
    tools=["get_weather"]
)
def weather_expert():
    pass  # 装饰器已自动注册，函数体可为空

# 3. 初始化协调器（自动扫描所有 @agent/@regist_tool/@model 装饰的组件）
orchestrator = FlowOrchestrator(supervisor_model="gpt-4o")

# 4. 运行
result = orchestrator.run("北京今天天气怎么样？")
print(result)

---

🧠 核心概念

注解驱动 (@agent, @regist_tool, @model)

LangDeep 通过 Python 装饰器将组件自动注册到全局注册中心。装饰器参数即为注册信息，无需在函数内返回配置字典。

命名说明：@regist_tool 使用 regist_ 前缀是为了避免与用户代码中常见的 tool 变量/函数名冲突。

@agent(
    name="research_agent",
    description="专业研究助手，能联网搜索学术资料",
    model="claude-3-opus",
    tools=["web_search"]
)
def research_agent():
    # 函数体用于构建 Agent 的具体逻辑（如返回 LangGraph 图），
    # 若无需额外初始化，留空即可。
    pass

Supervisor（主管）协调机制

FlowOrchestrator 在运行时动态构建 LangGraph 图，核心是一个 Supervisor Agent。它负责分析用户请求，决定是否需要先规划（Planner），然后按计划调度具体的 Worker Agent 执行，最后聚合结果。

外置 Prompt 管理

将 Prompt 模板以 Markdown 格式存储在 prompts/ 目录中，支持 {variable_name} 语法进行变量插值。框架内置了 supervisor、planner、aggregator 等核心 Prompt，您也可以覆盖或新增。

目录结构示例：

prompts/
├── supervisor.md          # 主管 Prompt
├── planner.md             # 规划器 Prompt
├── aggregator.md          # 聚合器 Prompt
├── research_agent.md      # 自定义 Agent Prompt
└── writer_agent.md

prompts/supervisor.md 内容片段：

# 系统角色
你是一个智能任务调度主管。

## 可调度专家列表
{available_agents}

## 用户请求
{user_input}

引用自定义 Prompt：

@agent(
    name="custom_agent",
    prompt_path="prompts/research_agent.md"   # 指定外置 Prompt 路径
)
def custom_agent():
    pass

动态 Provider 注册

您可以轻松接入新的模型提供商。例如，注册一个 DeepSeek Provider：

from langdeep import register_provider

register_provider(
    name="deepseek",
    base_url="https://api.deepseek.com/v1",
    api_key_env="DEEPSEEK_API_KEY"   # 从环境变量读取密钥
)

之后即可在 @model 装饰器中使用该 Provider：

@model(name="deepseek-chat", provider="deepseek", model_name="deepseek-chat")
def my_deepseek():
    pass

---

🏗️ 架构图

说明：下图展示了 LangDeep 框架内部的运行时结构。您只需定义 Agent 和 Tool，FlowOrchestrator 会自动处理 Supervisor 决策、Planner 规划、Executor 调度和 Aggregator 聚合。

graph TB
    subgraph UserLayer["用户层"]
        User[用户请求]
    end

    subgraph LangDeepCore["LangDeep 核心"]
        Orchestrator[FlowOrchestrator]
        Supervisor[Supervisor Agent]
        Planner[Planner 规划器]
        Executor[Executor 执行器]
        Aggregator[Aggregator 聚合器]
    end

    subgraph AgentLayer["Agent 层"]
        Agent1[Worker Agent 1]
        Agent2[Worker Agent 2]
        AgentN[Worker Agent N]
    end

    subgraph ToolLayer["工具层"]
        Tool1[Tool 1]
        Tool2[Tool 2]
        ToolN[Tool N]
    end

    subgraph InfraLayer["基础设施层"]
        Registry[Registry 注册中心]
        PromptLoader[Prompt 加载器]
        Checkpointer[Checkpointer 状态存储]
        Scheduler[Scheduler 调度器]
    end

    User --> Orchestrator
    Orchestrator --> Supervisor
    Supervisor -->|需规划| Planner
    Supervisor -->|直接执行| Executor
    Planner -->|生成计划| Executor
    Executor --> Agent1
    Executor --> Agent2
    Executor --> AgentN
    Agent1 --> Tool1
    Agent2 --> Tool2
    AgentN --> ToolN
    Agent1 & Agent2 & AgentN --> Aggregator
    Aggregator --> User

    Registry -.-> Agent1
    Registry -.-> Tool1
    PromptLoader -.-> Supervisor
    PromptLoader -.-> Agent1
    Checkpointer -.-> Orchestrator
    Scheduler -.-> Orchestrator

---

📁 项目结构

langdeep-py/
├── src/langdeep/               # 核心框架代码
│   ├── core/
│   │   ├── decorators/         # 注解装饰器 (@model, @regist_tool, @agent)
│   │   ├── registry/           # 模型/工具/Agent 注册中心
│   │   ├── orchestrator/       # 流程协调器 (Supervisor 模式)
│   │   ├── planner/            # 任务规划器
│   │   ├── prompt/             # Markdown Prompt 加载器
│   │   └── scheduling/         # 定时任务调度器
├── prompts/                    # 外置 Prompt 模板 (*.md)
├── workflows/                  # 预定义工作流 (YAML)
├── examples/                   # 完整示例
└── tests/                      # 单元测试

---

🔗 与 LangGraph 的关系

LangDeep 是 LangGraph 的上层封装与代码生成器。

• 运行时动态构图：FlowOrchestrator 会根据已注册的 Agent 和工具，在运行时自动构建 StateGraph，添加 Supervisor、Planner、Executor 以及各 Worker Agent 节点。
• 状态管理：框架内部使用 LangGraph 的 State 和 Checkpointer，您无需手动定义状态结构。
• 获取底层图对象：如果您需要深度定制，可以通过 orchestrator.graph 获取编译后的 StateGraph 对象进行修改。

orchestrator = FlowOrchestrator()
graph = orchestrator.graph  # 获取底层 StateGraph

# 添加自定义节点
def custom_node(state):
    return {"messages": ["自定义处理"]}

graph.add_node("custom", custom_node)

---

📖 进阶配置

定时任务

使用 @cron 装饰器定义周期性任务（基于 scheduling 模块）：

from langdeep.scheduling import cron

# 假设 orchestrator 已在全局作用域定义
orchestrator = FlowOrchestrator(supervisor_model="gpt-4o")

@cron("0 9 * * *")  # 每天上午9点执行
def daily_report():
    orchestrator.run("生成今日科技新闻简报")

启用状态持久化

orchestrator = FlowOrchestrator(
    supervisor_model="gpt-4o",
    enable_checkpoint=True   # 开启 MemorySaver
)

流式输出

async for chunk in orchestrator.astream("你的问题"):
    print(chunk)

自定义 Prompt 目录

orchestrator = FlowOrchestrator(
    supervisor_model="deepseek-chat",
    prompt_dir="./my_prompts"   # 覆盖内置 Prompt
)

---

🤝 贡献

我们欢迎所有形式的贡献！请参阅 CONTRIBUTING.md 了解详情。

---

📄 许可证

MIT © 2025 LangDeep 贡献者