LangGraph进阶:构建ReACT架构的智能Agent

引言

在人工智能和大语言模型(LLM)快速发展的今天,如何构建高效、灵活的智能Agent成为了一个热门话题。LangGraph作为一个强大的工具,为我们提供了一种新的方式来实现复杂的AI工作流,特别是在构建ReACT(Reasoning and Acting)架构的智能Agent方面表现出色。本文将深入探讨如何使用LangGraph来实现ReACT架构,并提供详细的代码示例和解释。

LangGraph的基本概念

LangGraph是一个用于构建基于LLM的应用程序的Python框架。它的核心理念是将复杂的AI工作流程表示为一个状态图,其中包含节点、边和数据状态。这种方法使得我们可以更直观地设计和实现智能Agent的行为逻辑。

在LangGraph中,我们可以使用基础组件(节点、边、数据状态)来构建Agent,这也是LangGraph自由度高的一个重要优点。同时,LangGraph还提供了一些预构建的代理,如ReACT智能体和工具调用智能体,使得我们可以更快速地创建智能Agent。

ReACT架构简介

ReACT(Reasoning and Acting)是一种智能Agent架构,它结合了推理和行动的能力。在ReACT架构中,Agent通过不断地思考(Reasoning)、采取行动(Acting)和观察结果(Observing)来解决问题。这种方法使得Agent能够更灵活地应对复杂的任务,并且可以利用外部工具来增强其能力。

使用LangGraph实现ReACT架构

现在,让我们通过一个具体的例子来看看如何使用LangGraph实现ReACT架构的智能Agent。

1. 环境设置

首先,我们需要导入必要的库和模块:

import dotenv
fromimport GoogleSerperRun
fromimport OpenAIDALLEImageGenerationTool
fromimport GoogleSerperAPIWrapper
fromimport DallEAPIWrapper
fromimport BaseModel, Field
fromimport ChatOpenAI
fromimport create_react_agent

dotenv.load_dotenv()

2. 定义工具和参数模式

接下来,我们定义了两个工具:Google搜索和DALL-E图像生成。同时,我们也为这些工具定义了参数模式:

class GoogleSerperArgsSchema(BaseModel):
    query: str "执行谷歌搜索的查询语句")

class DallEArgsSchema(BaseModel):
    query: str "输入应该是生成图像的文本提示(prompt)")

google_serper  GoogleSerperRun(
    name"google_serper",
    description(
        "一个低成本的谷歌搜索API。""当你需要回答有关时事的问题时,可以调用该工具。""该工具的输入是搜索查询语句。"
    ),
    args_schemaGoogleSerperArgsSchema,
    api_wrapperGoogleSerperAPIWrapper(),
)

dalle  OpenAIDALLEImageGenerationTool(
    name"openai_dalle",
    api_wrapper"dall-e-3"),
    args_schemaDallEArgsSchema,
)

tools 

3. 创建语言模型

我们使用OpenAI的GPT-4模型作为我们的大语言模型:

"gpt-4o-mini"

4. 使用预构建函数创建ReACT智能体

LangGraph提供了预构建的函数来创建ReACT智能体,使用起来非常简单:

 create_react_agent(
    modelmodel,
    toolstools
)

5. 调用智能体并输出内容

最后,我们可以调用我们创建的智能体,并打印输出结果:

print"messages""human""帮我绘制一幅鲨鱼在天上飞的图片"

运行结果分析

当我们运行这段代码时,智能体会首先理解任务需求,然后决定使用DALL-E工具来生成图像。它会生成一个详细的图像描述,然后调用DALL-E API来创建图像。最后,它会返回生成的图像URL,并提供一个简短的描述。

输出内容可能如下所示:

'messages''帮我绘制一幅鲨鱼在天上飞的图片'), 
              AIMessage(content'''tool_calls': [...]}), 
              ToolMessage(content'https://dalleproduse.blob.core.windows.net/...'), 
              AIMessage(content'这是您请求的画面:一只鲨鱼在天上飞翔的图片。您可以点击下面的链接查看这幅图。\n\n![鲨鱼在天上飞](https://dalleproduse.blob.core.windows.net/...)')]
}

总结

通过这个例子,我们可以看到LangGraph如何简化了ReACT架构智能Agent的构建过程。它提供了高级抽象和预构建组件,使得我们可以快速实现复杂的AI工作流。同时,LangGraph的灵活性也允许我们根据需要自定义和扩展Agent的功能。

需要注意的是,LangGraph仍在快速发展中。例如,当前版本(截至文章撰写时)的预构建ReACT智能体是基于函数调用实现的,并且在0.3.0版本中可能会被移除。因此,在使用LangGraph时,建议关注其最新的文档和更新。

尽管如此,LangGraph的核心设计理念和封装思路仍然非常值得学习和借鉴。随着AI技术的不断进步,我们可以期待LangGraph在未来会提供更多强大和易用的功能,进一步简化智能Agent的开发过程。

大模型算是目前当之无愧最火的一个方向了,算是新时代的风口!有小伙伴觉得,作为新领域、新方向人才需求必然相当大,与之相应的人才缺乏、人才竞争自然也会更少,那转行去做大模型是不是一个更好的选择呢?是不是更好就业呢?是不是就暂时能抵抗35岁中年危机呢?

答案当然是这样,大模型必然是新风口!

那如何学习大模型 ?

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。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材,学也不是不学也不是,基于此我用做产品的心态来打磨这份大模型教程,深挖痛点并持续修改了近100余次后,终于把整个AI大模型的学习路线完善出来!

在这里插入图片描述

在这个版本当中:

您只需要听我讲,跟着我做即可,为了让学习的道路变得更简单,这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁:全网最全《LLM大模型学习资源包》免费分享(安全咨料,放心领取)👈

一、大模型经典书籍(免费分享)

AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源

在这里插入图片描述

二、640套大模型报告(免费分享)

这套包含640份报告的合集,涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、大模型系列视频教程(免费分享)

在这里插入图片描述

四、2025最新大模型学习路线(免费分享)

我们把学习路线分成L1到L4四个阶段,一步步带你从入门到进阶,从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段:了解大模型的基础知识,以及大模型在各个行业的应用和分析,学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段:攻坚篇丨RAG开发实战工坊

L2阶段:AI大模型RAG应用开发工程,主要学习RAG检索增强生成:包括Naive RAG、Advanced-RAG以及RAG性能评估,还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段:跃迁篇丨Agent智能体架构设计

L3阶段:大模型Agent应用架构进阶实现,主要学习LangChain、 LIamaIndex框架,也会学习到AutoGPT、 MetaGPT等多Agent系统,打造Agent智能体。

img

L4阶段:精进篇丨模型微调与私有化部署

L4阶段:大模型的微调和私有化部署,更加深入的探讨Transformer架构,学习大模型的微调技术,利用DeepSpeed、Lamam Factory等工具快速进行模型微调,并通过Ollama、vLLM等推理部署框架,实现模型的快速部署。

img

L5阶段:专题集丨特训篇 【录播课】

img

全套的AI大模型学习资源已经整理打包,有需要的小伙伴可以微信扫描下方二维码免费领取

👉优快云大礼包🎁:全网最全《LLM大模型学习资源包》免费分享(安全资料,放心领取)👈

评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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