langchain-rs

langchain-rs 是一个 LangChain 和 LangGraph 概念的 Rust 实现。它旨在提供一个高性能、类型安全的框架，用于构建基于 LLM（大语言模型）的有状态智能体（Agents）和工作流。

本项目不仅实现了基本的 LLM 调用，还核心实现了 LangGraph 的图执行引擎，支持构建复杂的、有状态的、多步骤的 AI 应用。

核心特性 (Features)

• LangGraph Rust 实现: 提供了完整的图执行引擎 (langgraph)，支持定义节点 (Node)、边 (Edge) 和状态图 (StateGraph)。
• ReAct Agent: 内置了标准的 ReAct (Reasoning + Acting) Agent 实现，支持工具调用和推理循环。
• OpenAI 集成: 通过 langchain_openai 提供了对 OpenAI 及其兼容接口（如 DeepSeek, SiliconFlow 等）的支持。
• 宏支持 (Macros): 提供了 #[tool] 宏，极大地简化了自定义工具的定义过程。
• 类型安全: 利用 Rust 的类型系统保证状态传递和工具调用的安全性。
• 异步支持: 全异步设计 (tokio, async-trait)，支持流式输出 (Stream)。

项目结构 (Project Structure)

本项目是一个 Cargo Workspace，包含以下主要 Crates：

Crate	描述
langchain	顶层库，整合了核心功能，提供 ReactAgent 等高层抽象。包含示例代码。
langgraph	核心图执行引擎。定义了 StateGraph, Node, Executor 等核心组件。实现了复杂的图遍历和状态管理逻辑。
langchain_core	核心定义库。包含 Message, State, Tool, Request/Response 等基础类型定义。
langchain_openai	OpenAI 聊天模型接口实现。支持配置 Base URL 和 API Key。

快速开始 (Quick Start)

1. 依赖配置

在你的 Cargo.toml 中添加依赖（假设从本地路径引入，实际使用请根据发布情况调整）：

[dependencies]
langchain = { path = "crates/langchain" }
tokio = { version = "1", features = ["full"] }

2. 定义工具

使用 #[tool] 宏轻松定义 LLM 可调用的工具：

use langchain_core::tool;

#[tool(
    description = "计算两个数字的和",
    args(a = "第一个数字", b = "第二个数字")
)]
async fn add(a: i32, b: i32) -> i32 {
    a + b
}

#[tool(
    description = "计算两个数字的差",
    args(a = "被减数", b = "减数")
)]
async fn subtract(a: i32, b: i32) -> i32 {
    a - b
}

3. 创建并运行 Agent

以下示例展示了如何创建一个 ReAct Agent 并使用 DeepSeek/OpenAI 模型进行计算：

use langchain::ReactAgent;
use langchain_core::message::Message;
use langchain_openai::ChatOpenAIBuilder;
use std::env;

#[tokio::main]
async fn main() {
    // 1. 设置 API Key 和模型配置
    let api_key = env::var("OPENAI_API_KEY").expect("OPENAI_API_KEY must be set");
    // 示例使用 SiliconFlow 的 DeepSeek 模型，也可以直接使用 OpenAI
    let base_url = "https://api.siliconflow.cn/v1"; 
    let model_name = "deepseek-ai/DeepSeek-V3.2";

    let model = ChatOpenAIBuilder::from_base(model_name, base_url, &api_key).build();

    // 2. 创建 Agent 并注册工具
    // 系统提示词可以指导 Agent 的行为模式
    let agent = ReactAgent::create_agent(model, vec![add_tool(), subtract_tool()])
        .with_system_prompt(
            "你是一个智能助手，可以使用提供的工具来回答问题。支持并行工具调用。".to_string(),
        );

    // 3. 调用 Agent
    let response = agent
        .invoke(Message::user("计算100和200的和，同时计算999减去800的差"))
        .await
        .unwrap();

    // 4. 获取结果
    if let Some(last_msg) = response.messages.last() {
        println!("Agent 回复: {:?}", last_msg.content);
    }
}

架构设计说明 (Architecture Highlights)

LangGraph 核心

langgraph 并非简单地硬编码执行流，而是设计了一个灵活的图运行时：

• Label System: 实现了一套动态标签系统（GraphLabel），支持任意类型作为图的节点标识，利用 DynEq 和 DynHash 实现 Trait 对象的相等性和哈希计算。
• Executor: 图执行器不预设具体的调度策略（如并行 vs 串行），而是提供底层机制计算“后继节点”，允许上层构建复杂的路由逻辑（如条件分支、循环）。

状态管理

Agent 的状态通过 MessagesState 管理，它是一个 append-only 的消息列表。每次 LLM 调用或工具执行都会产生新的状态，通过图的边流转。

环境变量

运行示例或使用 OpenAI 模块时，需要设置以下环境变量：

• OPENAI_API_KEY: 你的 LLM 服务提供商的 API Key。

示例

查看 crates/langchain/examples 目录获取更多示例：

• agent_openai.rs: 基础的 OpenAI Agent 示例。
• agent_openai_stream.rs: 流式输出示例（如果存在）。