北京建设职工大学网站,扁平式网站模板,北京市网站制作设计,杭州网站优化培训LangGraph 是 LangChain 最近发布的一个重要功能#xff0c;LangChain 进入多代理框架领域。通过建立在LangChain 之上#xff0c;LangGraph 使开发人员可以轻松创建强大的代理运行时。 LangChain 使用其表达语言#xff08;LCEL#xff09;为开发人员构建定制链提供技术支…LangGraph 是 LangChain 最近发布的一个重要功能LangChain 进入多代理框架领域。通过建立在LangChain 之上LangGraph 使开发人员可以轻松创建强大的代理运行时。 LangChain 使用其表达语言LCEL为开发人员构建定制链提供技术支持。从数据结构的角度来看这样的链是一个有向无环图DAG。然而在实践中用户可能希望使用代理构建循环图。换句话说代理可以根据模型推理在循环中被调用直到任务完成。AutoGen就是支持这种机制的框架。
LangGraph专门设计以满足这类用户的需求。换句话说开发人员可以使用它来构建类似于AutoGen的多代理LLM应用程序。
LangGraph 提供了一种称为状态机的技术它可以驱动循环代理调用。因此LangGraph具有三个关键元素
StateGraph状态图Node节点Edge边缘
技术交流资料
技术要学会分享、交流不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。
成立了大模型技术交流群本文完整代码、相关资料、技术交流答疑均可加我们的交流群获取群友已超过2000人添加时最好的备注方式为来源兴趣方向方便找到志同道合的朋友。 方式①、微信搜索公众号机器学习社区后台回复加群 方式②、添加微信号mlc2060备注来自CSDN 技术交流 通俗易懂讲解大模型系列 做大模型也有1年多了聊聊这段时间的感悟 用通俗易懂的方式讲解大模型算法工程师最全面试题汇总 用通俗易懂的方式讲解不要再苦苦寻觅了AI 大模型面试指南含答案的最全总结来了 用通俗易懂的方式讲解我的大模型岗位面试总结共24家9个offer 用通俗易懂的方式讲解大模型 RAG 在 LangChain 中的应用实战 用通俗易懂的方式讲解一文讲清大模型 RAG 技术全流程 用通俗易懂的方式讲解如何提升大模型 Agent 的能力? 用通俗易懂的方式讲解ChatGPT 开放的多模态的DALL-E 3功能好玩到停不下来 用通俗易懂的方式讲解基于扩散模型Diffusion,文生图 AnyText 的效果太棒了 用通俗易懂的方式讲解在 CPU 服务器上部署 ChatGLM3-6B 模型 用通俗易懂的方式讲解使用 LangChain 和大模型生成海报文案 用通俗易懂的方式讲解ChatGLM3-6B 部署指南 用通俗易懂的方式讲解使用 LangChain 封装自定义的 LLM太棒了 用通俗易懂的方式讲解基于 Langchain 和 ChatChat 部署本地知识库问答系统 用通俗易懂的方式讲解在 Ubuntu 22 上安装 CUDA、Nvidia 显卡驱动、PyTorch等大模型基础环境 用通俗易懂的方式讲解Llama2 部署讲解及试用方式 用通俗易懂的方式讲解基于 LangChain 和 ChatGLM2 打造自有知识库问答系统 用通俗易懂的方式讲解一份保姆级的 Stable Diffusion 部署教程开启你的炼丹之路 用通俗易懂的方式讲解对 embedding 模型进行微调我的大模型召回效果提升了太多了 用通俗易懂的方式讲解LlamaIndex 官方发布高清大图纵览高级 RAG技术 用通俗易懂的方式讲解为什么大模型 Advanced RAG 方法对于AI的未来至关重要 用通俗易懂的方式讲解使用 LlamaIndex 和 Eleasticsearch 进行大模型 RAG 检索增强生成 用通俗易懂的方式讲解基于 Langchain 框架利用 MongoDB 矢量搜索实现大模型 RAG 高级检索方法 用通俗易懂的方式讲解使用Llama-2、PgVector和LlamaIndex构建大模型 RAG 全流程
StateGraph
StateGraph 是LangChain的一个类表示图的数据结构并反映其状态。图的状态由将很快介绍的节点更新。
class State(TypedDict):input: strall_actions: Annotated[List[str], operator.add]graph StateGraph(State)Node
图中最关键的元素之一是节点。每个LangGraph节点都有一个名称和其值它可以是LCEL中的函数或可运行项。每个节点接收一个字典类型的数据其结构与状态定义相同。节点返回具有相同结构的更新状态。
LangGraph定义了一个称为END的特殊节点用于识别状态机的结束状态。
from langgraph.graph import END
graph.add_node(model, model)
graph.add_node(tools, tool_executor)Edge
在图中节点之间的关系通过边界定义。LangGraph定义了两种类型的边普通边和条件边。
普通边定义了上游节点应始终调用的其他节点。
graph.add_edge(tools, model)条件边使用函数路由器来确定下游节点。
graph.add_conditional_edge(model,should_continue,{end: END,continue: tools}
)如上所示条件边需要三个元素
上游节点边的起点表示转换的起始点。路由函数此函数根据其返回值有条件地确定应进行转换的下游节点。状态映射根据路由函数的返回值此映射指定下一个目的地。它将路由函数的可能返回值与相应的下游节点相关联。
运行图 在运行图之前有两个必要的步骤需要完成
设置入口点以指定图中哪个节点作为入口点
graph.set_entry_point(model)编译
app graph.compile()现在我们可以运行LangGraph应用程序如下
app.stream({messages: [HumanMessage(contentWrite a tweet about LangChain news)]}
)用例 这是一个示例。图包含三个节点主管、搜索引擎和 Twitter 作者。根据需要主管可能多次调用搜索引擎以检索所需数据然后将数据转发给Twitter作者以撰写推文。因此在主管和搜索引擎之间存在循环。
LangChain可以帮助开发人员轻松构建基于工具的代理然后基于这些代理创建节点。
定义图状态
class AgentState(TypedDict):messages: Annotated[Sequence[BaseMessage], operator.add]next: str声明工具函数
tool(web_search)
def web_search(query: str) - str:通过查询使用Google SERP API进行搜索search SerpAPIWrapper()return search.run(query)tool(twitter_writer)
def write_tweet(content: str) - str:根据内容编写推文。chat ChatOpenAI()messages [SystemMessage(content您是Twitter帐户操作员。您负责根据给定的内容撰写推文。您应遵循Twitter政策并确保每条推文不超过140个字符。),HumanMessage(contentcontent),]response chat(messages)return response.content辅助函数 —— 使用工具创建代理
def create_agent(llm: ChatOpenAI, tools: list, system_prompt: str):prompt ChatPromptTemplate.from_messages([(system,system_prompt,),MessagesPlaceholder(variable_namemessages),MessagesPlaceholder(variable_nameagent_scratchpad),])agent create_openai_tools_agent(llm, tools, prompt)executor AgentExecutor(agentagent, toolstools)return executor辅助函数 —— 使用代理创建节点
def agent_node(state, agent, name):result agent.invoke(state)return {messages: [HumanMessage(contentresult[output], namename)]}创建主管节点
members [Search_Engine, Twitter_Writer]
system_prompt (您是一名主管负责管理以下工作者之间的对话{members}。给定以下用户请求使用下一步操作进行回复。每个工作者将执行一个任务并回复其结果和状态。完成后使用FINISH进行回复。
)
options [FINISH] members
function_def {name: route,description: 选择下一个角色。,parameters: {title: routeSchema,type: object,properties: {next: {title: Next,anyOf: [{enum: options},],}},required: [next],},
}
prompt ChatPromptTemplate.from_messages([(system, system_prompt),MessagesPlaceholder(variable_namemessages),(system,根据以上对话下一个应该采取行动的人是谁还是我们应该结束选择一个{options},),]
).partial(optionsstr(options), members, .join(members))
supervisor_chain (prompt| llm.bind_functions(functions[function_def], function_callroute)| JsonOutputFunctionsParser()
)创建节点和边缘
search_engine_agent create_agent(llm, [web_search], 您是一个网络搜索引擎。)
search_engine_node functools.partial(agent_node, agentsearch_engine_agent, nameSearch_Engine)
twitter_operator_agent create_agent(llm, [write_tweet], 您负责根据给定的内容撰写推文。)
twitter_operator_node functools.partial(agent_node, agenttwitter_operator_agent, nameTwitter_Writer)
workflow StateGraph(AgentState)
workflow.add_node(Search_Engine, search_engine_node)
workflow.add_node(Twitter_Writer, twitter_operator_node)
workflow.add_node(supervisor, supervisor_chain)
for member in members:workflow.add_edge(member, supervisor)
conditional_map {k: k for k in members}
conditional_map[FINISH] END
workflow.add_conditional_edges(supervisor, lambda x: x[next], conditional_map)编译
workflow.set_entry_point(supervisor)
graph workflow.compile()现在我们可以使用此图执行任务。让我们要求它搜索LangChain新闻并撰写一条推文
for s in graph.stream({messages: [HumanMessage(contentWrite a tweet about LangChain news)]}
):if __end__ not in s:print(s)print(----)参考文献
https://ai.gopubby.com/langgraph-absolute-beginners-guide-cd4a05336312https://github.com/sugarforever/LangChain-Tutorials/blob/main/langgraph_nodes_edges.ipynb
