Langroid项目技术解析：从基础对话到多智能体协作

Langroid项目技术解析：从基础对话到多智能体协作

langroid Harness LLMs with Multi-Agent Programming 项目地址: https://gitcode.com/gh_mirrors/la/langroid

引言

Langroid是一个功能强大的语言模型交互框架，它简化了开发者与大型语言模型(LLM)的交互过程。本文将带您深入了解Langroid的核心功能，从基础对话到复杂的多智能体协作场景。

基础对话功能

直接与LLM对话

Langroid最基础的功能是直接与语言模型进行对话。开发者可以轻松配置不同的模型：

import langroid as lr
import langroid.language_models as lm

llm_config = lm.OpenAIGPTConfig(
   chat_model="glhf/hf:Qwen/Qwen2.5-Coder-32B-Instruct" 
)
llm = lm.OpenAIGPT(llm_config)

这种基础对话模式的特点是：

• 每次对话都是独立的
• 不会保留上下文历史
• 适合简单的问答场景

例如：

llm.chat("1 2 4 7 11 ?")
# 输出16及解释

使用智能体保留对话历史

为了保持对话上下文，Langroid提供了ChatAgent：

agent = lr.ChatAgent(lr.ChatAgentConfig(llm=llm_config))
agent.llm_response("Find the next number: 1 2 4 7 11 ?")
# 输出16
agent.llm_response("and then?")
# 输出22

智能体的优势在于：

• 自动维护对话历史
• 支持多轮交互
• 为更复杂的交互奠定基础

任务系统

Langroid的Task系统提供了更结构化的交互方式：

task = lr.Task(agent, interactive=True)
task.run()

Task的特点：

• 封装了交互逻辑
• 支持用户输入
• 可以设置交互模式(交互式/非交互式)

工具与结构化输出

Langroid支持通过Pydantic定义结构化工具，这是其强大功能之一：

from langroid.pydantic_v1 import BaseModel

class CityTemperature(BaseModel):
    city: str
    temp: float

class WeatherTool(lr.ToolMessage):
    request: str = "weather_tool"
    purpose: str = "提取文本中的<city_temp>信息"
    
    city_temp: CityTemperature
    
    def handle(self) -> ResultTool:
        return ResultTool(city_temp=self.city_temp)

工具系统的特点：

• 自动生成JSON schema
• 无需手动处理复杂结构
• 支持XML格式(更可靠的代码结构化输出)

启用工具后，可以创建专门的任务：

agent.enable_message(WeatherTool)
task = lr.Task(agent, interactive=False)[CityTemperature]
data = task.run("波士顿气温45华氏度")

文档问答(RAG)

Langroid内置了强大的文档问答功能：

doc_agent_config = lr.agent.special.DocChatAgentConfig(llm=llm_config)
doc_agent = lr.agent.special.DocChatAgent(doc_agent_config)
doc_agent.ingest_doc_paths("https://en.wikipedia.org/wiki/Ludwig_van_Beethoven")
result = doc_agent.llm_response("贝多芬何时从波恩搬到维也纳?")

文档问答功能特点：

• 自动处理网页/文档内容
• 支持分块和向量索引
• 提供引用来源
• 适合知识密集型问答

多智能体协作

Langroid最强大的功能之一是支持多智能体协作：

教师智能体设置

teacher = lr.ChatAgent(
    lr.ChatAgentConfig(
        llm=llm_config,
        system_message="""
        提出数字相关问题，学生将回答。
        你可以提供反馈或提示帮助学生找到正确答案。
        收到正确答案后，使用DoneTool结束会话。
        """
    )
)
teacher.enable_message(DoneTool)
teacher_task = lr.Task(teacher, interactive=False)

学生智能体设置

student = lr.ChatAgent(
    lr.ChatAgentConfig(
        llm=llm_config,
        system_message="""
        你将收到数字相关问题。尽力回答。
        如果回答错误，会收到反馈或提示，
        可以修改答案，直到正确为止。
        """
    )
)
student_task = lr.Task(student, interactive=False, single_round=True)

建立任务层级关系

teacher_task.add_sub_task(student_task)
teacher_task.run()

多智能体协作特点：

• 支持角色定义
• 灵活的任务层级
• 自然的交互流程
• 适合教学、评审等场景

总结

Langroid提供了从基础到高级的LLM交互功能：

1. 基础对话：支持多种模型配置
2. 智能体：维护对话上下文
3. 任务系统：结构化交互流程
4. 工具系统：结构化输出处理
5. 文档问答：强大的RAG能力
6. 多智能体：复杂协作场景

这些功能使Langroid成为构建复杂语言模型应用的理想框架，无论是简单的问答系统还是复杂的多智能体协作场景，都能提供优雅的解决方案。

langroid Harness LLMs with Multi-Agent Programming 项目地址: https://gitcode.com/gh_mirrors/la/langroid