LangChain 81 LangGraph 从入门到精通三

最新推荐文章于 2025-03-20 20:18:22 发布
最新推荐文章于 2025-03-20 20:18:22 发布
阅读量1.4k 收藏 20
点赞数 21
分类专栏： LLM-Large Language Models 文章标签： langchain chatgpt python 人工智能 langgraph
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zgpeace/article/details/136019382
版权
本文系列详细介绍了LangChain的各个方面，包括LangChain表达式语言的多个特性（如链透传参数、代码执行、审查机制等），以及如何创建和定制聊天代理执行器、多智能体协作、评估方法和异步处理。教程涵盖了实战示例和高级用法，适合对大语言模型和LangChain技术感兴趣的开发者和研究者。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

LangChain系列文章

  1. LangChain 60 深入理解LangChain 表达式语言23 multiple chains链透传参数 LangChain Expression Language (LCEL)
  2. LangChain 61 深入理解LangChain 表达式语言24 multiple chains链透传参数 LangChain Expression Language (LCEL)
  3. LangChain 62 深入理解LangChain 表达式语言25 agents代理 LangChain Expression Language (LCEL)
  4. LangChain 63 深入理解LangChain 表达式语言26 生成代码code并执行 LangChain Expression Language (LCEL)
  5. LangChain 64 深入理解LangChain 表达式语言27 添加审查 Moderation LangChain Expression Language (LCEL)
  6. LangChain 65 深入理解LangChain 表达式语言28 余弦相似度Router Moderation LangChain Expression Language (LCEL)
  7. LangChain 66 深入理解LangChain 表达式语言29 管理prompt提示窗口大小 LangChain Expression Language (LCEL)
  8. LangChain 67 深入理解LangChain 表达式语言30 调用tools搜索引擎 LangChain Expression Language (LCEL)
  9. LangChain 68 LLM Deployment大语言模型部署方案
  10. LangChain 69 向量数据库Pinecone入门
  11. LangChain 70 Evaluation 评估、衡量在多样化数据上的性能和完整性
  12. LangChain 71 字符串评估器String Evaluation衡量在多样化数据上的性能和完整性
  13. LangChain 72 reference改变结果 字符串评估器String Evaluation
  14. LangChain 73 给结果和参考评分 Scoring Evaluator
  15. LangChain 74 有用的或者有害的helpful or harmful Scoring Evaluator
  16. LangChain 75 打造你自己的OpenAI + LangChain网页应用
  17. LangChain 76 LangSmith 从入门到精通一
  18. LangChain 77 LangSmith 从入门到精通二
  19. LangChain 78 LangSmith 从入门到精通三
  20. LangChain 79 LangGraph 从入门到精通一
  21. LangChain 80 LangGraph 从入门到精通二

在这里插入图片描述

1. ChatAgentExecutor：带有函数调用的代理执行器

这个代理执行器将消息列表作为输入，并输出消息列表。所有代理状态都表示为消息列表。这特别使用OpenAI函数调用。这是推荐的代理执行器，适用于支持函数调用的新型基于聊天的模型。

我们还有很多示例，突出显示如何稍微修改基本的聊天代理执行器。所有这些都是getting started notebook 基于入门笔记本构建的，因此建议您首先从那里开始。

2. AgentExecutor

此代理执行程序使用现有的LangChain代理。

我们还有很多示例，重点介绍如何轻微修改基本的聊天代理执行程序。所有这些都是 getting started notebook 基于入门笔记本构建的，因此建议您首先从那里开始。

3. 多智能体示例 Multi-agent Examples

4. 通过模拟进行聊天机器人评估 Chatbot Evaluation via Simulation

在多轮对话中经常很难评估聊天机器人。一种方法是使用模拟来实现这一点。

5. 异步 Async

如果您在异步工作流中运行LangGraph，您可能希望默认创建节点为异步。有关如何执行此操作的详细步骤，请参阅此文档

6. 流式标记 Streaming Tokens

有时语言模型需要一段时间才能做出响应，您可能希望将标记流式传输给最终用户。有关如何执行此操作的指南，请参阅此文档

代码

https://github.com/zgpeace/pets-name-langchain/tree/develop

参考

https://python.langchain.com/docs/langsmith/walkthrough

【AI Agent系列】【LangGraph】1. 进阶实战：给你的 LangGraph 加入条件分支（Conditional edges）
同学小张的博客
04-04 2874
前面我们了解了 LangGraph 的概念和基本构造方法，今天我们来看下 LangGraph 构造中的进阶用法：给边加个条件 - 条件分支（Conditional edges）。
【AI Agent系列】【LangGraph】0. 快速上手：协同LangChain，LangGraph帮你用图结构轻松构建多智能体应用
同学小张的博客
04-02 4790
LangGraph 是在 LangChain 的基础上实现的一个多智能体的运行框架。它扩展了LangChain表达式语言，能够以循环的方式在多个计算步骤中协调多个链（或参与者）。
LangGraph实现多代理任务
最新发布
Q2024107的博客
03-20 743
​​每个 Agent 只与 Agent 子集中的其他 Agent 通信。流程的部分是确定性的，只有一些 Agent 可以决定接下来调用哪个其他 Agent。后期在定义节点和条件边时需要获取状态信息# 创建langgraph 状态,用于在图中各节点之间传递# messages 字段用于存储消息序列，，并通过Annotated定义消息的类型和处理方法# sender 字段用于标识消息的发送者# 为每个代理创建不同的节点passelse:return {# 3. 定义路由节点方法。
使用LangChain、LangGraph和LangSmith来创建AI Agent
安静的软件工程师
03-27 2114
使用LangChain、LangGraph和LangSmith来创建AI Agent
LangGraph基础理解
我只钓小鱼的博客
02-03 2558
本文对LangGraph博客内容做下简单总结，详细内容请查看langchain博客。
【LangGraph Agent架构篇—多智能体系统1】【多智能体网络】
艰难困苦，玉汝于成。
01-03 2954
LangGraph是一个专注于构建有状态、多角色应用程序的库，它利用大型语言模型（LLMs）来创建智能体和多智能体工作流。
LangChain与LangGraph的区别
Z987421的博客
01-28 3677
LangChain是一个用于开发由大型语言模型驱动的应用程序的框架。它通过一系列开源构建模块、组件和第三方集成，简化了LLM应用程序生命周期的每个阶段。LangChain的核心是“链”（Chain），即将多个LLM调用和工具调用链接在一起，形成一个有序的任务序列。其架构遵循有向无环图（DAG）结构，任务按单一方向流动，不形成循环。组件丰富：提供了文档加载器、文本分割器、记忆组件等多种组件，方便开发者构建和定制应用程序。易于集成：能够与外部API、数据库等工具无缝集成，拓展了LLM的应用能力。适用场景。
打造智能应用：LangChain与LangGraph的综合指南
nseejrukjhad的博客
11-07 953
在本文中，我们从基础到进阶，介绍了如何借助LangChain和LangGraph构建智能应用程序。
LangChain从入门到精通最全教程
Cachel Wood的博客
03-19 259
LangChain是一个用于构建基于大语言模型（LLM数据感知：连接外部数据源（文档、API等）智能代理：通过工具调用实现自主决策模块化设计：支持链式调用、记忆管理、提示词工程等from langchain . llms import BaseLLM class CustomLLM(BaseLLM) : def _call(self , prompt : str , ** kwargs) - > str : return f"自定义响应： {
探索LangChain与LangGraph：从入门到进阶的LLM应用开发指南
mmlihaio的博客
12-18 714
通过这篇文章，我们探讨了如何利用LangChain和LangGraph来构建从简单到复杂的LLM应用程序。希望借助这些工具，您能实现更多创新和高效的应用。进一步学习资源LangChain 官方文档LangGraph 教程LangSmith 使用指南。
langchain系列（终）- LangGraph 多智能体详解
forevercui的博客
03-09 1779
本文主要写了LangGraph实现多代理（多智能体）的概念、原理、代码实现，除此之外还是用了函数API的方式来实现功能
LangChain 2024 最新发布：LangGraph 多智能体工作流（Multi-Agent Workflows）
段智华的博客
01-27 3280
当我们谈论“多智能体”时，我们谈论的是多个独立的参与者，这些参与者由以特定方式连接的语言模型提供支持。每个代理都可以有自己的提示、LLM、工具和其他自定义代码，以便与其他代理进行最佳协作。什么是多个独立代理？这些代理是如何连接的？这种想法非常适合图表示，例如由LangGraph 提供的图表示。在此方法中，每个智能体都是图中的一个节点，它们的连接表示为一条边。控制流由边管理，它们通过添加到图的状态进行通信。注意：这里一个非常相关的概念是状态机的概念，我们明确地将其称为认知架构的一个类别。
使用 LangChain 的 LangGraph 构建 AI 编码代理
Mo 的博客
04-01 524
LangGraph是LangChain生态系统的延伸。虽然LangChain允许构建可以使用多种工具执行任务的AI编码代理，但它无法跨步骤协调多个链或参与者。这是创建完成复杂任务的代理的关键行为。LangGraph 的构思牢记了这些事情。它将代理工作流视为循环图形结构，其中每个节点表示一个函数或 Langchain Runnable 对象，边是节点之间的连接。LangGraph 的主要功能包括节点：任何函数或 Langchain Runnable 对象，如工具。边：定义节点之间的方向。
️LangGraph实现基于管理者Agent的Multi-agent(多代理)
huang9604的博客
06-04 2795
使用LangGraph构建图比较简单,但在图中实现多代理,如何将Agent放入节点和如何实现节点间的方向关系以及图的状态机该如何定义是多代理的难点.
书生·浦语大模型实战营之手把手带你评测 Llama 3 能力（OpenCompass 版）
段智华的博客
05-07 1381
书生·浦语大模型实战营之手把手带你评测 Llama 3 能力（OpenCompass 版） 运行结果为： ✨下载 Llama3 模型通过 OpenXLab 下载 Llama-3-8B-Instruct 这个模型 或者软链接 InternStudio 中的模型 🛠️安装 OpenCompass 运行结果为：📂 数据准备 运行结果为： 数据集共85个目录，1062个文件。 查询Llama 的配置文件路径 🏗️命令行快速评测 以C-Eval_gen为例： 命令解析： 查询gpu情况，设置export CU
langgraph之智能体工作流
龙井茶的Sky
07-16 1318
随着大模型能力的不断提升，大模型应用已经逐步从提示词到RAG再到智能体Agent过渡。Agent属于大模型高阶应用，但是受限于模型能力（思考规划等），智能体的稳定性存在很大的考验。为了解决这个问题，一个方向是提高大模型能力，再一个方向是预先将智能体执行过程进行编排，即工作流。本文就是要介绍智能体工作流框架langgraph，如何通过langgraph实现一个不错的智能体应用。一、langgraph是什么？
【AI开发】LangGraph基础
qq_44899247的博客
06-14 1788
在LangGraph中有三个重要元素。
LangGraph - Multi-agent network 多代理网络
AI工程化、开源分享、文档翻译、代码笔记
10-18 121
LangGraph - Multi-agent network 多代理网络
multi_agents
xnuscd的博客
11-10 1104
多智能体系统（Multi-agent Systems） 什么是智能体？ 在 LangGraph 中，智能体（Agent） 是一个使用大型语言模型（LLM）来决定应用程序控制流程的系统。随着系统的发展，单一智能体可能会变得越来越复杂，导致管理和扩展变得困难。例如，您可能会遇到以下问题： 工具过多导致决策失误：智能体拥有过多的工具，可能无法有效选择下一个要调用的工具。 上下文过于复杂：单一智能体难以跟踪和管理复杂的上下文。 需要多个专业化领域：系统中可能需要多个专门化领域的智能体，如规划器、研究员、数学专家等
js 版本的 langchain 和 langgraph
03-18
### 关于 JavaScript 版本的 LangChain 和 LangGraph #### LangChain 是什么？ LangChain 是一种用于构建基于大型语言模型 (LLM) 应用程序的框架。它提供了一系列模块化工具，使得开发者能够更轻松地设计复杂的对话系统和其他自然语言处理应用程序[^1]。 #### JavaScript 版本的 LangChain 尽管主要文档和教程可能集中于 Python 实现，但 LangChain 社区也支持 JavaScript/TypeScript 用户群体。以下是关于 JavaScript 版本的关键点： - **安装与初始化** 可以通过 npm 或 yarn 安装 `langchain` 包来使用其功能。例如： ```javascript npm install langchain ``` - **核心模块的支持情况** 虽然大部分功能在 Python 中实现得更为成熟，但在 JavaScript 中同样提供了以下模块的功能接口： - Model I/O：允许定义输入输出模式并集成不同的 LLM 提供商。 - Retrieval：支持向量数据库检索操作。 - Agents & Chains：部分预设链式逻辑已移植到 JS 平台。 - Memory：会话记忆管理机制可用。 - Callbacks：事件监听器可用于调试或扩展行为。 - **局限性** 需要注意的是，某些高级特性如 LCEL（LangChain 表达式语言）、LangServe、以及特定实验性质组件，在当前阶段未必完全适配前端环境或者 Node.js 生态系统。 #### LangGraph 的概述及其 JavaScript 支持 LangGraph 主要作为图结构数据表示的一部分存在，旨在增强知识图谱的应用场景。对于 JavaScript 开发者而言： - 如果计划利用图形算法，则需确认目标库是否已被迁移到 TypeScript 上； - 目前官方并未单独强调针对此子项目的跨平台兼容进度详情。 因此建议关注最新发布说明页面获取最精确的消息源地址。 ```javascript // 示例代码展示如何加载基础配置文件 const { initializeAgentExecutor } = require("langchain"); async function run() { const model = ...; // 初始化您的大模型实例 const tools = [...]; // 添加所需的工具列表 const executor = await initializeAgentExecutor(tools, model); } run(); ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值