- LangGraph võimaldab luua tehisintellekti agente graafipõhise olekumasina abil, mis võimaldab iteratiivseid arutlusringe.
- ReActi muster eristab agente vestlusrobotitest selle poolest, et see võimaldab mõtlemise, tööriistade abil tegutsemise ja tulemuste jälgimise tsüklit.
- Arendus ulatub eelvalmistatud abimeeste kasutamisest kiireks prototüüpimiseks kuni käsitsi StateGraph'i loomiseni detailse juhtimise tagamiseks.
- Tootmisvalmis agendid vajavad strateegilist keskendumist dokumentatsiooni selgusele, oleku kontrollpunktidele ja inimesepoolsele järelevalvele.
Kas olete kunagi mõelnud, mis tegelikult kapoti all toimub, kui tehisintellekt mitte ainult ei vestle, vaid ka tegelikult asju ära teeb ? Kuigi tavalised vestlusrobotid sobivad suurepäraselt kiireks küsimuste ja vastuste vooruks, toimub tõeline maagia siis, kui liigute tehisintellekti agentide maailma. Need süsteemid ei kirjuta lihtsalt teksti välja, vaid arutlevad probleemide üle , valivad töö jaoks õiged tööriistad ja itereerivad, kuni missioon on täidetud. See on hüpe lihtsast vastajast digitöötajaks – oskus, mis on tehisintellekti insenerimaailmas praegu kuldaväärt.
Selle teoks tegemiseks andis LangChaini meeskond meile LangGraphi – raamistiku, mis võimaldab teil neid agente graafikutena kujundada. A-st B-ni kulgeva sirgjoone asemel saate luua tsükleid ja keerukaid harusid , mis võimaldavad tehisintellektil mõelda, tegutseda, tulemust jälgida ja seejärel uuesti mõelda. Kui soovite Pythonis liikuda lihtsatelt käskudelt keerukamate ja olekute abil hallatavate töövoogude juurde, olete õiges kohas.
Mis eristab tehisintellekti agenti vestlusrobotist?
Mõtle tavalisele vestlusrobotile kui müügiautomaadile: sisestad päringu ja see annab sulle eelnevalt määratletud või genereeritud vastuse. Agent on aga pigem nagu isiklik assistent tööriistakomplektiga . See kasutab oma keskse ajuna suurt keelemudelit (LLM), et otsustada, millist toimingut järgmisena teha. Seda protsessi nimetatakse sageli ReAct-mustriks (arutluskäik ja tegutsemine) , kus mudel tsükliliselt läbib ülesande üle mõtlemise tsükli, kutsub välja tööriista – näiteks veebiotsingu või andmebaasipäringu – ja analüüsib väljundit, et otsustada, kas see peab proovima midagi muud või on tal lõplik vastus olemas.
LangGraphist arusaamine
LangGraph pole lihtsalt järjekordne teek; see on viis agendi loogika modelleerimiseks olekumasinana . Traditsioonilises ahelas liigutakse edasi lineaarselt. LangGraphis defineeritakse jagatud olek (tavaliselt sõnumiajalugu), mis liigub läbi erinevate sõlmede. Need sõlmed on põhimõtteliselt "tööjaamad", kus loogika toimub, ja servad on "teed", mis määravad, kuhu voog edasi liigub. See võime tsüklitega toime tulla on just see, miks see on eelistatud valik agentidele, kes peavad ennast parandama või itereerima.
Sõltuvalt sellest, kui palju kontrolli te ihkate, on kaks ehitamisviisi. Kiirtee kasutab eelvalmistatud funktsioone , mis teevad raske töö teie eest ära. Manuaalne tee hõlmab StateGraph sõlmede ehitamist sõlme haaval , mis on ideaalne, kui vajate agendi käitumise üle kirurgilist täpsust.
Samm-sammult: oma esimese agendi loomine
Enne koodi süvenemist peate tegema järgmist seadista oma keskkond. Haara langgraph ja langchain-openai pakette pip-i kaudu. Teil on vaja ka API-võtit pakkujalt nagu OpenAI või Anthropic, mis on turvaliselt salvestatud keskkonnamuutujana. Kui teil on eelarve piiratud või eelistate privaatsust, saate seda tegelikult käivitada kohapeal Ollama abil, eeldusel, et teie riistvara suudab koormusega hakkama saada.
Agendi tööriistakomplekti määratlemine
Agent on täpselt nii hea, kui head on tema tööriistad. Pythonis on need tööriistad lihtsalt funktsioonid, mis on mähitud @tool decorator Rohkem kui langchain_core.toolsSiin on salajane koostisosa: dokstringLLM loeb funktsiooni kirjeldust, et aru saada, millal seda kasutada. Kui teie kirjeldus on ebamäärane, läheb agent segadusse; kui see on... kristallselge, on agent oma tööriistavalikus ülitäpne.
Loogika kokkupanek
Neile, kes soovivad kiireid tulemusi, create_react_agent funktsioon on elupäästja. Sa lihtsalt annad sellele mudeli, tööriistade loendi ja süsteemiviiba ning see loob automaatselt ReAct tsükliKapoti all loob see graafiku arutlussõlmega, a ToolNode teostuse jaoks ja tingimuslik serv, mis otsustab, kas pöörduda tagasi ajju või lõpetada. Seejärel kutsute välja .compile() et muuta see plaan elavaks agendiks.
Täitmine ja jälgitavus
Asja veerema panemiseks kasutage .invoke() meetod sõnastikuga, mis sisaldab teie sõnumeid. Et näha, mis agendi peas tegelikult toimub, on tungivalt soovitatav see ühendada LangSmithSee annab akna arutluskäigu jälgi, muutes selle palju lihtsamaks. silumine kohtades, kus agent rööbastelt maha läks keeruka mitmeastmelise ülesande ajal.
Professionaalsed näpunäited tootmisklassi agentidele
Lahedalt demolt usaldusväärsele tootele üleminek nõuab veidi lisalihvi. Esiteks on kontrollpunktide loomine mälu jaoks hädavajalik; see võimaldab agendil konteksti meelde jätta vestluse eri pööretes. Teiseks, kõrge riskiga toimingute puhul peaksite rakendama inimese-silmuse- päästikuid, mis peatavad graafiku, et päris inimene saaks rohelise tule anda. Lõpuks jälgige latentsust ja kulusid , kuna iga graafiku tsükkel on järjekordne API-kõne, mis lisab nii aega kui ka raha.
Uustulnukate sagedased küsimused
Selleks ei pea olema masinõppe doktorikraad. Suurem osa tööst on tegelikult Pythoni programmeerimine ja orkestreerimisloogika; sa kasutad olemasolevaid mudeleid, mitte ei treeni neid nullist. Eelnevalt loodud abigraafi ja käsitsi loodud graafiku vahel valides pea meeles, et create_react_agent sobib suurepäraselt 80% kasutusjuhtudest, samas kui kasutusjuhend StateGraph on mõeldud juhuks, kui vajate paralleelset käivitamist või keerukat uuesti proovimise loogikat.
Olekute, sõlmede ja servade voo valdamine võimaldab teil muuta lihtsa õigusteaduse loogika (LLM) dünaamiliseks süsteemiks, mis on võimeline autonoomselt tegutsema . Selgete tööriistakirjelduste, nutika mäluhalduse ja õige orkestreerimisraamistiku kombineerimise abil saate luua tehisintellekti assistente, mis mitte ainult ei räägi, vaid ka teevad seda reaalsetes rakendustes.
