1 概述
LangGraph是一个用于构建具有状态、多参与者应用程序的大语言模型(LLM)的库,用于创建智能体和多智能体的工作流程。与其他 LLM 框架相比,它提供以下核心优势:
- 循环
- 可控性
- 持久性
LangGraph 允许你定义涉及循环的流程,这对于大多数智能体架构至关重要,使其与基于DAG的解决方案区别开来。作为一个非常底层的框架,它提供了对应用程序的流程和状态的细粒度控制,这对于创建可靠的智能体至关重要。
此外,LangGraph 包含内置的持久性功能,支持高级的“人类在环”(human-in-the-loop)和记忆功能。
LangGraph 的灵感来源于 Pregel 和 Apache Beam。其公共接口借鉴了 NetworkX 的设计。LangGraph 由 LangChain Inc. 创建,该公司也是 LangChain 的开发者,但它可以独立于 LangChain 使用。
1.1 关键特性
- 循环和分支:在应用程序中实现循环和条件判断
- 持久性:在图中的每一步之后自动保存状态。你可以在任意时间点暂停和恢复图的执行,以支持错误恢复、“人类在环”工作流、时间回溯等功能
- 人类在环:在图执行过程中打断执行,以批准或编辑智能体计划的下一个动作
- 流式支持:在每个节点生成输出时进行流式传输(包括 token 流式传输)
- 与 LangChain 集成:LangGraph 可以与 LangChain 和 LangSmith 无缝集成(但不要求使用它们)
2 安装
代码语言:bash
pip install -U langgraph
3 示例
LangGraph 的核心概念之一是状态。每次图执行都会创建一个状态,该状态在图中各节点执行时在它们之间传递,并且每个节点在执行后会用其返回值更新该内部状态。图更新其内部状态的方式由所选择的图类型或自定义函数定义。
使用搜索工具的简单智能体
代码语言:arduino
pip install langchain-anthropic
export ANTHROPIC_API_KEY=sk-...
可选地,我们可设置 LangSmith 以获得最佳的可观测性。
代码语言:python
代码运行次数:0
Cloud Studio 代码运行
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY=lsv2_sk_...
from typing import Annotated, Literal, TypedDict
from langchain_core.messages import HumanMessage
from langchain_anthropic import ChatAnthropic
from langchain_core.tools import tool
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import END, StateGraph, MessagesState
from langgraph.prebuilt import ToolNode
# 为智能体定义工具
@tool
def search(query: str):
"""调用以浏览网络。"""
# 这是一个占位符,但不要告诉 LLM...
if "sf" 在查询字符串中,或者查询中包含 "san francisco":
return "现在是 60 度,有雾。"
return "现在是 90 度,晴天。"
tools = [search]
tool_node = ToolNode(tools)
model = ChatAnthropic(model="claude-3-5-sonnet-20240620", temperature=0).bind_tools(tools)
# 定义决定是否继续的函数
def should_continue(state: MessagesState) -> Literal["tools", END]:
messages = state['messages']
last_message = messages[-1]
# 如果 LLM 进行工具调用,那么我们将路径设置为 "tools" 节点
if last_message.tool_calls:
return "tools"
# 否则,我们停止(回复用户)
return END
# 定义调用模型的函数
def call_model(state: MessagesState):
messages = state['messages']
response = model.invoke(messages)
# 我们返回一个列表,因为这将被添加到现有列表中
return {"messages": [response]}
# 定义一个新图
workflow = StateGraph(MessagesState)
# 定义我们将循环的两个节点
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)
# 将入口点设置为 `agent`
# 这意味着这个节点是首先被调用的
workflow.set_entry_point("agent")
# 我们现在添加一个条件边
workflow.add_conditional_edges(
# 首先,我们定义起始节点。我们使用 `agent`。
# 这意味着这些边是在调用 `agent` 节点后执行的。
"agent",
# 接下来,我们传入决定下一个被调用节点的函数。
should_continue,
)
# 我们现在从 `tools` 到 `agent` 添加一条普通边。
# 这意味着在 `tools` 被调用后,`agent` 节点会接着被调用。
workflow.add_edge("tools", 'agent')
# 初始化内存以在图运行之间保存状态
checkpointer = MemorySaver()
# 最后,我们编译它!
# 这将其编译为一个 LangChain 可运行体,
# 这意味着你可以像使用其他可运行体一样使用它。
# 请注意,我们在编译图时(可选地)传递了内存
app = workflow.compile(checkpointer=checkpointer)
# 使用可运行体
final_state = app.invoke(
{"messages": [HumanMessage(content="sf 的天气如何")]},
config={"configurable": {"thread_id": 42}}
)
final_state["messages"][-1].content
"根据搜索结果,我可以告诉你,旧金山目前的天气是:\n\n温度:华氏 60 度\n天气情况:有雾\n\n旧金山以其微气候和频繁的雾而闻名,尤其是在夏季的早晨和傍晚。60°F(约 15.5°C)的温度对于该市来说是非常常见的,因为该市一年四季温度都比较温和。雾气,当地人称之为 “Karl the Fog”,是旧金山天气的一个特点,特别是在早晨和晚上。\n\n你还想知道有关旧金山或其他地方天气的其他信息吗?"
现在当我们传递相同的 "thread_id"
时,会通过保存的状态(即存储的消息列表)保留对话上下文。
代码语言:python
代码运行次数:0
Cloud Studio 代码运行
final_state = app.invoke(
{"messages": [HumanMessage(content="那纽约呢")]},
config={"configurable": {"thread_id": 42}}
)
final_state["messages"][-1].content
"根据搜索结果,我可以告诉你,纽约目前的天气是:\n\n温度:华氏 90 度(约 32.2 摄氏度)\n天气情况:晴天\n\n这种天气与我们刚刚看到的旧金山的天气截然不同。纽约目前的温度要高得多。以下是一些需要注意的几点:\n\n1. 90°F 的温度相当热,典型的纽约市夏季天气。\n2. 晴朗的天气意味着晴空万里,这对户外活动非常有利,但也意味着由于阳光直射,感觉可能会更热。\n3. 纽约这种天气通常伴随着高湿度,这会使实际温度感觉更高。\n\n看到旧金山温和、多雾的天气与纽约炎热、晴朗的天气之间的巨大差异,这确实很有趣。这种差异展示了美国不同地区,即使在同一天,天气状况也可能截然不同。\n\n你还想了解纽约或其他地方的天气情况吗?"
参考:
如何系统的去学习大模型LLM ?
大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业
?”“谁的饭碗又将不保了?
”等问题热议不断。
事实上,抢你饭碗的不是AI,而是会利用AI的人。
继科大讯飞、阿里、华为
等巨头公司发布AI产品后,很多中小企业也陆续进场!超高年薪,挖掘AI大模型人才! 如今大厂老板们,也更倾向于会AI的人,普通程序员,还有应对的机会吗?
与其焦虑……
不如成为「掌握AI工具的技术人
」,毕竟AI时代,谁先尝试,谁就能占得先机!
但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高。
针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份 LLM大模型资料
分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集,涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程(LLaLA/Meta/chatglm/chatgpt)
LLM大模型学习路线 ↓
阶段1:AI大模型时代的基础理解
-
目标:了解AI大模型的基本概念、发展历程和核心原理。
-
内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
-
目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
-
内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3:AI大模型应用架构实践
-
目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
-
内容:
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4:AI大模型私有化部署
-
目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
-
内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料
包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓