基于LangGraph的Translation Agent 开发#

ReAct 模式#

现代智能体（如基于 LangChain 框架的 Agent）常采用“ReAct”风格设计，因为这种方式既结合了内在思考又能调用外部工具，还可以根据观察到的反馈不断改进最终答案。不同的应用场景可能会组合并调整这些模式，以满足特定任务的需求。

整个“思考–行动–观察”循环的流程如下：

思考（Thought）
- 分析用户输入，检索是否包含特殊术语。
- 决策：是直接翻译，还是先处理术语。
行动（Action）
- 构造调用翻译工具的命令，并传入原文和预定义术语（例如以 JSON 格式）。
- 执行翻译动作。
观察（Observation）
- 获取翻译工具返回的翻译结果作为反馈。
- 通过反馈对翻译效果进行验证。
更新思考并输出最终回答
- 根据反馈更新内在思考，确认翻译达到了预期效果。
- 生成最终回答并回复给用户。

基础准备#

本练习以千问大模型作为Agent的大脑。需要开通阿里云百炼的API。

翻译流程设定#

本部分主要是为了快速演示Agent的开发，而非设计完整而强大的 Translation Agent，因此只设计了最简单的流程。

示例代码#

安装 LangGraph 和 langchain_openai

%pip install langgraph langchain_openai

导入所需库和模型初始化

from langgraph.graph import StateGraph, START, END
from langchain.chat_models import ChatOpenAI
from langchain_core.messages import HumanMessage
from typing import TypedDict, Optional, Dict, Any, List
import os

# 初始化 LLM（此处示例为 Qwen，注意替换 API 参数）
model = ChatOpenAI(
    temperature=0,
    model_name="qwen-plus", 
    openai_api_key="you-api-key",
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
 
)

定义状态数据结构

  class TranslationState(TypedDict):
      original_text: str               # 待翻译的英文文本
      glossary: Dict[str, str]         # 预定义的术语翻译映射
      final_translation: Optional[str] # 最终翻译结果
      messages: List[Dict[str, Any]]     # 与 LLM 交互的记录

节点0：获取用户输入

def get_user_input(state: TranslationState):
    user_text = input("请输入要翻译的文本：").strip()
    if not user_text:
        # 当检测不到输入时，采用默认文本
        user_text = "Promts and Tokens are important concepts in the field of Large Lanuage Models."
        print("未检测到输入，默认使用示例文本。")
    return {"original_text": user_text}

节点1：加载预定义术语（这里直接内置，也可从文件加载）

def lookup_glossary(state: TranslationState):
    predefined_glossary = {
        "Promts": "提示词",
        "Token": "词元",
        "Large Langauge Model": "语言大模型"
    }
    print("预定义术语：", predefined_glossary)
    return {"glossary": predefined_glossary}

节点2：初始翻译 – 根据用户原文和预定义术语构造提示调用翻译工具

def translate_text(state: TranslationState):
    original_text = state.get("original_text", "")
    glossary = state.get("glossary", {})

    # 构造提示：直接将全部预定义术语附加到提示中
    prompt = f"请将下面的英文文本翻译成中文：\n\n{original_text}\n\n"
    if glossary:
        prompt += f"请注意，以下术语必须使用规定翻译：{glossary}\n"
    
    messages = [HumanMessage(content=prompt)]
    response = model.invoke(messages)
    initial_translation = response.content.strip()
    
    # 更新状态并记录交互历史
    state["messages"].extend([
        {"role": "user", "content": prompt},
        {"role": "assistant", "content": initial_translation}
    ])
    print("初始译文：", initial_translation)
    return {"final_translation": initial_translation}

节点3：反思调整 – 模拟“思考–行动–观察”循环，反复改进翻译结果

def refine_translation(state: TranslationState):
    max_iterations = 3
    iteration = 0
    current_translation = state.get("final_translation", "")
    
    # 进入迭代循环，每次生成新的改进方案
    while iteration < max_iterations:
        # 修改思考提示：
        # 如果当前译文已足够好，请返回原译文，并在后面附加‘（已确认）’；否则，请给出详细改进后的译文。
        thought_prompt = (
            f"当前翻译为：\n{current_translation}\n\n"
            "作为一名专业翻译专家，请你分析这段译文是否存在不足；"
            "如果存在改进建议，请给出改进后的译文；"
            "如果你认为当前翻译已经足够准确，请在原译文后附加‘（已确认）’二字，并返回完整译文。"
        )
        messages = [HumanMessage(content=thought_prompt)]
        response = model.invoke(messages)
        new_translation = response.content.strip()
        
        state["messages"].append({
            "role": "assistant", 
            "content": f"(Iteration {iteration+1}) {new_translation}"
        })
        print(f"反思调整第 {iteration+1} 轮：", new_translation)
        
        # 如果返回结果中包含 "（已确认）"，表示 LLM确认当前译文足够准确，
        # 我们就剥离标记并认为翻译结果最终稳定
        if "（已确认）" in new_translation:
            # 去掉标记后作为最终译文
            current_translation = new_translation.replace("（已确认）", "").strip()
            break
        
        # 如果改进后的译文与当前译文基本相同，也认为无需继续调整
        if new_translation == current_translation or abs(len(new_translation) - len(current_translation)) < 5:
            break
        else:
            current_translation = new_translation
            iteration += 1
            
    return {"final_translation": current_translation}

节点4：输出最终翻译结果

def finalize(state: TranslationState):
    print("\n=== 翻译任务完成 ===")
    print("最终翻译结果：")
    print(state.get("final_translation"))
    return {}

构建 LangGraph 流程图，将各节点按照顺序连接

translation_graph = StateGraph(TranslationState)
translation_graph.add_node("get_user_input", get_user_input)
translation_graph.add_node("lookup_glossary", lookup_glossary)
translation_graph.add_node("translate_text", translate_text)
translation_graph.add_node("refine_translation", refine_translation)
translation_graph.add_node("finalize", finalize)

translation_graph.add_edge(START, "get_user_input")
translation_graph.add_edge("get_user_input", "lookup_glossary")
translation_graph.add_edge("lookup_glossary", "translate_text")
translation_graph.add_edge("translate_text", "refine_translation")
translation_graph.add_edge("refine_translation", "finalize")
translation_graph.add_edge("finalize", END)

compiled_graph = translation_graph.compile()

初始化状态（注意：初始时 original_text、glossary 和翻译为空）

initial_state: TranslationState = {
    "original_text": "",
    "glossary": {},
    "final_translation": None,
    "messages": []
}

运行
```
compiled_graph.invoke(initial_state)
```

输出结果：

预定义术语： {'Promts': '提示词', 'Token': '词元', 'Large Langauge Model': '语言大模型'}
初始译文： 提示词和词元是语言大模型领域中的重要概念。
反思调整第 1 轮： 提示词和词元是语言大模型领域中的重要概念。（已确认）

=== 翻译任务完成 ===
最终翻译结果：
提示词和词元是语言大模型领域中的重要概念。

{'original_text': 'Promts and Tokens are important concepts in the field of Large Lanuage Models.',
 'glossary': {'Promts': '提示词', 'Token': '词元', 'Large Langauge Model': '语言大模型'},
 'final_translation': '提示词和词元是语言大模型领域中的重要概念。',
 'messages': [{'role': 'user',
   'content': "请将下面的英文文本翻译成中文：\n\nPromts and Tokens are important concepts in the field of Large Lanuage Models.\n\n请注意，以下术语必须使用规定翻译：{'Promts': '提示词', 'Token': '词元', 'Large Langauge Model': '语言大模型'}\n"},
  {'role': 'assistant', 'content': '提示词和词元是语言大模型领域中的重要概念。'},
  {'role': 'assistant',
   'content': '(Iteration 1) 提示词和词元是语言大模型领域中的重要概念。（已确认）'}]}

基于LangGraph的Translation Agent 开发

目录

基于LangGraph的Translation Agent 开发#

ReAct 模式#

基础准备#

翻译流程设定#

示例代码#