基于LangGraph多智能体技术，搭建AI写作自动化系统

使用LangGraph实现多智能体系统。

1 LangGraph概述

LangGraph是LangChain的增强版，专注于构建智能体及多智能体流程。其核心优势在于新增的循环流程构建功能以及内嵌的记忆机制，这些特性对于智能体的构建极为重要。

LangGraph为开发者提供了高度的控制能力，这在自定义智能体和流程的开发中极为关键。市面上绝大多数的智能体都是针对特定应用场景进行了定制。

LangGraph不仅赋予了开发者灵活定制智能体的能力，还提供了直观且易于操作的开发体验。

2 构建终极自主研究智能体

借助LangGraph的强大功能，我们能够通过集结具备专业技能的多个智能体，显著提高研究工作的深度与品质。每个智能体专注于其独特技能，这不仅能够优化任务分工，增强定制性，还为项目的扩展与规模化发展奠定了基础。

本示例展示了一个AI智能体团队如何通力合作，对特定主题进行全面研究，涵盖从策划到发布的全过程。在此过程中，会特别应用前沿的自主研究智能体——GPT Researcher。

2.1 研究智能体团队

研究团队由七个大型语言模型智能体组成：

• 主编智能体 —— 负责监督研究过程并管理整个团队。这是使用LangGraph协调其他智能体的“主”智能体，充当LangGraph的主要接口。

• GPT研究智能体 —— 一个专门进行特定主题深入研究的自主智能体。

• 编辑智能体 —— 负责规划研究大纲和结构。

• 审稿智能体 —— 根据一套标准验证研究结果的正确性。

• 修订智能体 —— 根据审稿智能体的反馈修订研究结果。

• 写作智能体 —— 负责汇编并撰写最终报告。

• 出版智能体 —— 负责将最终报告以多种格式发布。

2.2 架构

如下图，自动化过程基于以下阶段：规划研究、数据收集与分析、审查与修订、编写报告，最后是出版：

更具体的流程如下：

• 浏览器（gpt-researcher）——基于给定的研究任务，浏览互联网进行初步研究。这一步对于LLMs来说非常重要，以便根据最新和相关信息规划研究过程，而不是仅依赖于针对给定任务或主题的预训练数据。

• 编辑——根据初步研究规划报告大纲和结构。编辑还负责触发基于计划大纲的并行研究任务。

• 对于每个大纲主题（并行）：

• 研究员（gpt-researcher）——对子主题进行深入研究并撰写草稿。这个智能体利用GPT Researcher Python包，以优化、深入且符合事实的研究报告。

• 审稿人——根据一套指导方针验证草稿的正确性，并向修订者提供反馈（如果有的话）。

• 修订者——根据审稿人的反馈修订草稿，直到满意为止。

• 作者——汇编并撰写最终报告，包括引言、结论和参考文献部分。

• 出版商——将最终报告以多种格式（如PDF、Docx、Markdown等）发布。

我们不会深入所有代码，因为代码量很大，但会重点关注所发现的有价值或有趣部分进行分享。

2.3 定义图状态

在LangGraph中，状态管理采用一种结构化的方式，允许开发者定义一个GraphState对象，它能够包含整个应用程序的状态信息。这样，图中的每个节点都具备了修改状态的能力，可以根据交互过程中的上下文变化，实现动态的响应机制。

在每项技术设计的初期，需要确立整个应用程序的数据结构。针对本例，创建一个名为ResearchState的数据模型，将作为我们研究应用程序的核心数据架构。如下所示：

class ResearchState(TypedDict):       task: dict       initial_research: str       sections: List[str]       research_data: List[dict]       # 报告布局       title: str       headers: dict       date: str       table_of_contents: str       introduction: str       conclusion: str       sources: List[str]       report: str   

如上所见，状态被分为两个主要区域：研究任务和报告布局内容。当数据通过图中的智能体流通时，每个智能体将根据现有状态生成新数据，并更新它以便在图中的其他智能体进一步处理。

然后，使用以下方式初始化图：

from langgraph.graph import StateGraph   workflow = StateGraph(ResearchState)   

2.4 使用LangGraph初始化图

如上所述，多智能体开发的一个伟大之处在于构建每个智能体具有专门化和限定范围的技能。以使用GPT Researcher Python包的Researcher智能体为例：

from gpt_researcher import GPTResearcher      class ResearchAgent:       def __init__(self):           pass          async def research(self, query: str):           # 初始化研究员           researcher = GPTResearcher(parent_query=parent_query, query=query, report_type=research_report, config_path=None)           # 对给定查询进行研究           await researcher.conduct_research()           # 编写报告           report = await researcher.write_report()              return report   

如上所见，已经创建了Research智能体的一个实例。现在假设我们已经为团队中的每个智能体都做了同样的事情。在创建了所有智能体之后，将使用LangGraph初始化图：

def init_research_team(self):       # 初始化智能体       editor_agent = EditorAgent(self.task)       research_agent = ResearchAgent()       writer_agent = WriterAgent()       publisher_agent = PublisherAgent(self.output_dir)              # 定义一个Langchain StateGraph与ResearchState          workflow = StateGraph(ResearchState)              # 为每个智能体添加节点       workflow.add_node("browser", research_agent.run_initial_research)       workflow.add_node("planner", editor_agent.plan_research)       workflow.add_node("researcher", editor_agent.run_parallel_research)       workflow.add_node("writer", writer_agent.run)       workflow.add_node("publisher", publisher_agent.run)              workflow.add_edge('browser', 'planner')       workflow.add_edge('planner', 'researcher')       workflow.add_edge('researcher', 'writer')       workflow.add_edge('writer', 'publisher')              # 设置起始和结束节点       workflow.set_entry_point("browser")       workflow.add_edge('publisher', END)              return workflow   

如上所见，创建LangGraph图非常简单，主要由三个主要功能组成：add_node、add_edge和set_entry_point。通过这些主要功能，你可以首先向图中添加节点，连接边，并最终设置起始点。

重点检查：如果你一直按照代码和架构进行，会注意到在上面的初始化中缺少了Reviewer和Reviser智能体。让我们深入探讨！

2.5 图内嵌套图以实现状态化的并行处理

这个智能助手的一个亮点是其支持对每个研究任务进行并行处理，且每项任务都遵循一套预设的规范进行审查与修订。

在流程设计中，有效利用并行工作是提升效率的秘诀。然而，若所有智能体都向同一状态报告，如何协调它们的并行工作以避免竞争条件和数据不一致的问题呢？解决方案是构建一个子图，由主LangGraph实例触发，并为每次并行运行维护独立的状态，从而巧妙地解决了这一难题。

正如之前所做的，让我们定义LangGraph状态及其智能体。由于这个子图基本上是审查和修订研究草稿，我们将用草稿信息定义状态：

class DraftState(TypedDict):       task: dict       topic: str       draft: dict       review: str       revision_notes: str   

如DraftState中所见，我们主要关心讨论的主题，以及审稿人和修订笔记，因为它们相互沟通以完成子主题研究报告。为了创建循环条件，我们将利用LangGraph的最后一个重要部分，即条件边：

async def run_parallel_research(self, research_state: dict):       workflow = StateGraph(DraftState)              workflow.add_node("researcher", research_agent.run_depth_research)       workflow.add_node("reviewer", reviewer_agent.run)       workflow.add_node("reviser", reviser_agent.run)              # 设置边 researcher->reviewer->reviser->reviewer...       workflow.set_entry_point("researcher")       workflow.add_edge('researcher', 'reviewer')       workflow.add_edge('reviser', 'reviewer')       workflow.add_conditional_edges('reviewer',                                      (lambda draft: "accept" if draft['review'] is None else "revise"),                                      {"accept": END, "revise": "reviser"})   

通过定义条件边，如果审稿人有审稿笔记，图将指向修订者，或者循环将以最终草稿结束。如果你回到已经构建的主图，会看到这个并行工作是在由ChiefEditor智能体调用的名为“researcher”的节点下进行的。

2.6 运行研究助手

为了便于定制，助手使用给定的task.json文件运行：

{     "query": "Is AI in a hype cycle?",     "max_sections": 3,     "publish_formats": {       "markdown": true,       "pdf": true,       "docx": true     },     "follow_guidelines": false,     "model": "gpt-4-turbo",     "guidelines": [       "The report MUST be written in APA format",       "Each sub section MUST include supporting sources using hyperlinks. If none exist, erase the sub section or rewrite it to be a part of the previous section",       "The report MUST be written in spanish"     ]   }   

任务对象相当直观，但请注意，如果follow_guidelines为false，则会导致图忽略修订步骤和定义的准则。此外，max_sections字段定义了要研究的子标题数量。数量较少将生成较短的报告。

运行助手会生成最终研究报告，格式包括Markdown、PDF和Docx等。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】