构建本地 AI 智能体：LangGraph、AI 智能体和 Ollama 使用指南

七七Seven～

于 2024-10-11 10:25:12 发布

阅读量356

点赞数 20

文章标签：人工智能知识图谱学习产品经理数据库

本文链接：https://blog.csdn.net/2401_84205765/article/details/142847089

版权

一、Ollama 快速介绍

Ollama 是一个开源项目，它使在本地机器上运行大型语言模型（LLM）变得简单且用户友好。它提供了一个用户友好的平台，简化了 LLM 技术的复杂性，使其易于访问和定制，适用于希望利用 AI 力量而无需广泛的技术专业知识的用户。

它易于安装。此外，我们有一系列模型和一套全面的功能和功能，旨在增强用户体验。

在这里插入图片描述

关键特点：

本地部署：直接在本地机器上运行复杂的 LLM，确保数据隐私并减少对外部服务器的依赖。
用户友好的界面：设计直观易用，适用于不同技术水平的用户。
可定制性：微调 AI 模型以满足您的特定需求，无论是研究、开发还是个人项目。
开源：作为开源项目，Ollama 鼓励社区贡献和持续改进，促进创新和协作。
轻松安装：Ollama 以其用户友好的安装过程脱颖而出，为 Windows、macOS 和 Linux 用户提供直观、无忧的设置方法。

Ollama 社区是一个充满活力、以项目为驱动的社区，促进协作和创新，有一个活跃的开源社区增强其开发、工具和集成。

二、使用 LangGraph 和 Ollama 创建 AI 智能体的步骤

在这个演示中，我们将使用qwen2:7b 模型创建一个简单的智能体示例。这个智能体可以使用 Tavily 搜索 API 搜索网络并生成响应。

我们将从安装 Langgraph 开始，这是一个设计用于使用 LLM 构建有状态、多参与者应用程序的库，非常适合创建智能体和多智能体工作流程。LangGraph 受到 Pregel、Apache Beam 和 NetworkX 的启发，由 LangChain Inc. 开发，可以独立于 LangChain 使用。

我们将使用qwen2:7b 作为我们的 LLM 模型，该模型将与 Ollama 和 Tavily 的搜索 API 集成。Tavily 的 API 针对 LLM 进行了优化，提供了事实性、高效、持久的搜索体验。

开始安装langgraph包：

pip install -U langgraph

如有需要，安装其他包：

pip install langchain-openai langchainhub

完成安装后，我们将进入下一个关键步骤：提供 Travily API 密钥。

export TAVILY_API_KEY="apikeygoeshere"

现在，我们将运行以下代码来获取模型。请尝试使用 Llama 或任何其他版本的 qwen2:7b。

ollama pull qwen2:7b

导入构建智能体所需的所有必要库。

from langchain import hub
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain.prompts import PromptTemplate
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import JsonOutputParser
from langchain_community.chat_models import ChatOllama

我们将首先定义我们想要使用的工具，并将工具与 llm 绑定。在这个简单的例子中，我们将使用通过 Tavily 提供的内置搜索工具。

示例代码如下所示：

import os

# 设置环境变量"TAVILY_API_KEY"，将其值设为一个API密钥字符串
# 这个密钥用于认证和授权应用程序访问Tavily API的服务
# 通过将API密钥存储在环境变量中，可以提高代码的安全性和可维护性，避免硬编码敏感信息
os.environ["TAVILY_API_KEY"] = "tvly-xxxxxxxxxx"

# 初始化ChatOpenAI实例，设置以下参数：
# model参数指定使用的语言模型为"qwen2:7b"
# temperature参数设置为0.0，这意味着生成的响应将更加确定和基于模型的知识，减少随机性
# api_key参数设置为"ollama"
# base_url参数指定了与模型交互的API基础URL，此处指向本地主机上的一个特定端口和路径
llm = ChatOpenAI(model="qwen2:7b", temperature=0.0, api_key="ollama", base_url="http://localhost:11434/v1")

# 创建工具列表，其中包含一个TavilySearchResults实例，用于执行搜索操作
# max_results参数设置为3，这意味着每次搜索将返回最多3个结果
tools = [TavilySearchResults(max_results=3)]

下面的代码片段检索一个提示模板并以可读格式打印。然后可以根据需要使用或修改此模板。

# 从LangChain的Hub中拉取一个预定义的prompt模板
prompt = hub.pull("wfh/react-agent-executor")
# 使用pretty_print()方法以更易读的格式打印模板内容
prompt.pretty_print()

在这里插入图片描述

使用前面创建的语言模型（llm）、一组工具（tools）和一个提示模板（prompt）创建一个智能体（agent）。

# 创建agent对象
agent = create_react_agent(llm, tools, messages_modifier=prompt)

from IPython.display import Image, display
# agent.get_graph()方法返回代理的内部状态图，描述了代理的组件和它们之间的关系
# draw_mermaid_png()方法将状态图转换为PNG格式的图像，便于可视化展示
display(Image(agent.get_graph().draw_mermaid_png()))

这段代码的作用是在Jupyter Notebook中显示智能体的结构和工作流程图，帮助理解和调试智能体的行为。

在这里插入图片描述

agent 节点会使用消息列表调用语言模型。如果生成的 AIMessage 包含 tool_calls，则图将调用 tools 节点。tools 节点执行工具（每个 tool_call 执行一个工具），并将响应作为 ToolMessage 对象添加到消息列表中。然后 agent 节点再次调用语言模型。这个过程会一直重复，直到响应中不再有 tool_calls。然后 agent 返回包含键 “messages” 的字典，其中包含了完整的消息列表。

# 调用agent的invoke方法
response = agent.invoke({"messages": [("user", "解释人工智能")]})

# 遍历响应字典中'messages'键对应的列表，该列表包含了代理生成的响应消息
for message in response['messages']:
 print(message.content)

生成如下响应：

在这里插入图片描述

取代产品岗，国内又一新兴岗位在崛起！这才是产品经理未来5年最好的就业方向#### 一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。