Ir al contenido
AggregaAggrega
Seleccionar idioma: Español
Esta página se tradujo automáticamente. Lee el original en inglés.

Importar una aplicación LangGraph — un grafo y su checkpointer

El langgraph.json de una aplicación LangGraph — un grafo que guarda su estado en PostgreSQL — convertido en borradores de archivos Aggrega por aggrega import, con el modelo al que llama el grafo y la imagen de la aplicación respondidos una sola vez en un archivo de respuestas, y compilado para Docker Compose.

Importar una aplicación LangGraph lo recorre paso a paso: el comando, lo que pregunta, los archivos que escribe y por qué está cada línea, la compilación y el grafo en ejecución. Esta carpeta contiene cada etapa de ese recorrido:

carpeta o archivoqué contiene
source/el langgraph.json de la aplicación, el .aggrega-config.yaml que convierte la carpeta en un espacio de trabajo, y import-answers.yaml, los valores que ninguna configuración contiene: el modelo, la imagen de la aplicación y los nombres de los Secrets de Kubernetes de los que una compilación para Kubernetes lee la clave y la contraseña de la base de datos
draft/los archivos que escribió aggrega import . --target compose, sin cambios, release.lock incluido, y lo que imprimió: stdout.txt en la salida estándar, import.txt en la salida de error estándar

La configuración está escrita para este ejemplo. El código de la aplicación no forma parte de ella: la importación nunca lo lee, y la Release indica la imagen en la que se ejecuta.

En un checkout del repositorio de la documentación, check.sh vuelve a ejecutar la importación, compara lo que escribe e imprime con draft/, compara los bloques que cita el recorrido con estos archivos, y valida y compila lo que escribió la importación. Necesita el catálogo de la biblioteca estándar (dónde conseguir uno) descargado junto a este repositorio, o su directorio indicado en AGGREGA_CATALOG_DIRS.

Generar el ejemplo

Puedes ejecutar la importación de este ejemplo con los comandos de abajo, o hacer que tu asistente de IA la ejecute por ti.

Escribe el ejemplo en una carpeta nueva con su nombre:

Terminal window
aggrega scaffold --example import-langgraph

Después imprime los comandos que hay que ejecutar a continuación. El primero entra en la carpeta nueva:

Terminal window
cd import-langgraph

Compilación

La importación redacta los borradores de los archivos Aggrega junto al proyecto, en source/. Evalúa el proyecto frente al catálogo de la biblioteca estándar, que el registro predeterminado del espacio de trabajo publica como una instantánea firmada: la primera importación la obtiene, la verifica, la guarda en la caché de contenido del espacio de trabajo y la nombra por su digest en el registro que escribe junto a los borradores. Un espacio de trabajo que nombra sus propias carpetas de catálogo — en AGGREGA_CATALOG_DIRS, o bajo workspace.catalog_dirs — importa en cambio con respecto a ellas. La importación lee el modelo y la imagen de import-answers.yaml y luego obtiene aquello de lo que depende la Release redactada, de modo que la compilación sigue de inmediato:

Terminal window
cd source
aggrega import . --target compose
aggrega build --release release.yaml

La imagen que nombra el ejemplo representa una que compilas a partir de tu proyecto; cómo compilarla y ejecutar el stack se explica en el recorrido enlazado arriba.

Con un asistente de IA

Un asistente de IA configurado con las herramientas de Aggrega puede hacer lo mismo: pégale este prompt.

Usa solo las herramientas de Aggrega y no crees ninguna carpeta por tu cuenta. Si la carpeta del espacio de trabajo todavía no contiene una carpeta `import-langgraph`, llama una vez a la herramienta `scaffold` con `example` establecido en `import-langgraph` y sin `dir`: escribe el ejemplo en una nueva carpeta `import-langgraph`, cuya carpeta `source` contiene lo que importa este ejemplo. Luego llama a la herramienta `import` con `workspace_root` establecido en `import-langgraph/source`, `source` establecido en `.` y `target` establecido en `compose`: lee las respuestas que necesita de `import-answers.yaml` junto a `langgraph.json`, escribe sus borradores en `import-langgraph/source` y descarga lo que estos necesitan. Luego llama a la herramienta `validate` con `workspace_root` establecido en `import-langgraph/source` y `release` establecido en `release.yaml`, y a la herramienta `build` con `workspace_root` establecido en `import-langgraph/source`, `release` establecido en `release.yaml` y `write` establecido en true. Dime qué archivos escribió la compilación; están en `import-langgraph/source/dist/`.

Probarlo

Con el stack en ejecución tal como lo ejecuta la guía, una solicitud llega al grafo. La ruta de abajo es la del propio programa de la guía, un pequeño servidor HTTP en el puerto 8000; tu propio programa decide la suya. La Release publica el grafo en 127.0.0.1:8000, así que la solicitud sale de tu máquina:

Terminal window
curl -sS -X POST http://127.0.0.1:8000/threads/order-1234/runs -H 'Content-Type: application/json' \
-d '{"message": "Where is my order 1234? It has not arrived yet."}'
{
"thread": "order-1234",
"error": "the run failed: OpenAIAuthenticationError: Error code: 401 - Incorrect API key provided: sk-place************-key. [… omitted: where to find an API key]"
}

La clave de la ejecución era un marcador de posición, así que la respuesta es el rechazo de OpenAI a esa clave. En Kubernetes, reenvía un puerto local al Deployment, que no tiene Service, y envíale la misma solicitud desde otra terminal:

Terminal window
kubectl port-forward deploy/support 8000:8000
Terminal window
curl -sS -X POST http://127.0.0.1:8000/threads/order-1234/runs -H 'Content-Type: application/json' \
-d '{"message": "Where is my order 1234? It has not arrived yet."}'

La respuesta es la misma.