Skip to main content
本指南提供了快速开始使用 Drasi 工具的概述。有关所有 Drasi 功能、参数和配置的详细列表，请前往 Drasi 文档，以及 langchain_drasi 仓库。

​
概述

Drasi 是一个变更检测平台，使检测和响应数据库中的变更变得简单高效。LangChain-Drasi 集成通过连接外部数据变更与工作流执行，创建响应式、变更驱动的 AI 智能体。这使得智能体能够通过桥接外部数据变更与智能体工作流，发现、订阅并响应实时查询更新。Drasi 连续查询流式传输实时更新，触发智能体状态转换、修改内存或动态控制工作流执行——将静态智能体转变为环境感知型长生命周期、响应式系统。

​
详情

类包可序列化JS 支持下载量版本
DrasiToollangchain-drasi❌❌PyPI - 下载量PyPI - 版本

​
功能

  • 查询发现 - 自动识别可用的 Drasi 查询
  • 实时订阅 - 监控连续查询更新
  • 通知处理器 - 六种内置处理器用于不同用例
    • 控制台
    • 日志
    • 内存
    • 缓冲区
    • LangChain 内存
    • LangGraph 内存
  • 自定义处理器 - 扩展基础处理器以进行特定领域的逻辑

​
设置

要访问 Drasi 工具，您需要运行 Drasi 和 Drasi MCP 服务器。

​
先决条件

​
凭据（可选）

如果您的 Drasi MCP 服务器需要身份验证，您可以使用 Bearer token 或其他身份验证方法配置请求头：
配置身份验证
from langchain_drasi import MCPConnectionConfig

config = MCPConnectionConfig(
    server_url="http://localhost:8083",
    headers={"Authorization": "Bearer your-token"},
    timeout=30.0
)

​
安装

Drasi 工具位于 langchain-drasi 包中： 
pip install -U langchain-drasi

​
实例化

现在我们可以实例化一个 Drasi 工具的实例。您需要配置 MCP 连接，并可选地添加通知处理器来处理实时更新：
初始化工具实例
from langchain_drasi import create_drasi_tool, MCPConnectionConfig, ConsoleHandler

# Configure connection to Drasi MCP server
config = MCPConnectionConfig(
    server_url="http://localhost:8083",
    timeout=30.0
)

# Create a notification handler
handler = ConsoleHandler()

# Create the tool
tool = create_drasi_tool(
    mcp_config=config,
    notification_handlers=[handler]
)

​
调用

​
直接调用

以下是直接调用工具的简单示例。
调用工具
# Discover available queries
queries = await tool.discover_queries()
# Returns: [QueryInfo, QueryInfo, ...]

# Subscribe to a specific query
await tool.subscribe("hot-freezers")
# Notifications routed to registered handlers

# Read current results from a query
result = await tool.read_query("active-orders")
# Returns: QueryResult with current data

​
作为 ToolCall

我们也可以使用模型生成的 ToolCall 来调用工具，在这种情况下将返回一个 ToolMessage。

​
在智能体内

我们可以在 LangGraph 智能体中使用 Drasi 工具来创建响应式、事件驱动的工作流。为此我们需要一个具有工具调用能力的模型。
带工具的智能体
from langchain_anthropic import ChatAnthropic
from langchain.agents import create_agent

# Initialize the model
model = ChatAnthropic(model="claude-sonnet-4-6")

# Create agent with Drasi tool
agent = create_agent(model, [tool])

# Run the agent
result = agent.invoke(
    {"messages": [{"role": "user", "content": "What queries are available?"}]}
)

print(result["messages"][-1].content)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "Subscribe to the customer-orders query"}]}
)

print(result["messages"][-1].content)

​
通知处理器

Drasi 的关键功能之一是其内置的通知处理器，用于处理实时查询结果变更。您可以使用这些处理器根据数据变更采取特定操作。

​
内置处理器

ConsoleHandler - 将格式化的通知输出到 stdout： 
from langchain_drasi import ConsoleHandler

handler = ConsoleHandler()
LoggingHandler - 使用 Python 的 logging 框架记录通知： 
from langchain_drasi import LoggingHandler
import logging

handler = LoggingHandler(
    logger_name="drasi.notifications",
    log_level=logging.INFO
)
MemoryHandler - 将通知存储在内存中，支持可选过滤： 
from langchain_drasi import MemoryHandler

handler = MemoryHandler(max_size=100)

# Retrieve notifications
all_notifs = handler.get_all()
freezer_notifs = handler.get_by_query("hot-freezers")
added_events = handler.get_by_type("added")
BufferHandler - 用于顺序处理的 FIFO 队列： 这对于缓冲传入的变更通知很有用，特别是当您的工作流正忙于其他任务时；然后您可以在工作流中设置循环，以便在工作流准备好时从缓冲区消耗通知。 
from langchain_drasi import BufferHandler

handler = BufferHandler(max_size=100)
# Later, consume notifications
notification = handler.consume()  # Remove and return next notification
notification = handler.peek()     # View next notification without removing
LangGraphMemoryHandler - 直接将更新注入到 LangGraph 检查点： 
from langchain_drasi import LangGraphMemoryHandler
from langgraph.checkpoint.memory import MemorySaver

checkpoint_manager = MemorySaver()
handler = LangGraphMemoryHandler(
    checkpointer=checkpoint_manager,
    thread_id="your-thread-id"
)

​
自定义处理器

您可以通过扩展 BaseDrasiNotificationHandler 来创建自定义处理器： 
from langchain_drasi import BaseDrasiNotificationHandler

class CustomHandler(BaseDrasiNotificationHandler):
    def on_result_added(self, query_name: str, added_data: dict):
        # Handle new results
        print(f"New result in {query_name}: {added_data}")

    def on_result_updated(self, query_name: str, updated_data: dict):
        # Handle updated results
        print(f"Updated result in {query_name}: {updated_data}")

    def on_result_deleted(self, query_name: str, deleted_data: dict):
        # Handle deleted results
        print(f"Deleted result in {query_name}: {deleted_data}")

handler = CustomHandler()
tool = create_drasi_tool(
    mcp_config=config,
    notification_handlers=[handler]
)

​
示例

​
用例

Drasi 特别适用于构建需要响应实时数据变更的环境感知型智能体。一些示例用例包括：
  • AI 副驾驶 - 监控并响应系统事件的助手
  • AI 游戏玩家 - 适应游戏内事件的 NPC
  • 物联网监控 - 处理传感器数据流的智能体
  • 客户支持 - 对工单更新或客户操作做出反应的机器人
  • DevOps 助手 - 监控基础设施变更的工具
  • 协作编辑 - 响应文档或代码变更的系统

​
API 参考

有关所有 Drasi 功能和配置的详细文档，请前往 API 参考。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.