酒酿小圆子呀～

AutoGen是微软推出的一个Multi-Agent框架，允许用户创建和管理多个智能体，以协同完成复杂的任务。AutoGen具有可定制和可对话的能力，同时支持人类输入和工具扩展的能力。基于AutoGen可以简化、优化和自动化大型语言模型的工作流程。

在早期的大语言模型（LLM）应用中，提示工程（Prompt Engineering）是连接用户意图与模型输出的核心手段。然而，纯提示驱动的方案在多步推理、工具调用和动态环境交互中常显不足。

来源：华为云确定性运维专刊（第五期）

创建一个 Action 类的子类 SimpleWriteCode，子类中定义好 prompt，并解析返回结果。在 MetaGPT 中，

在利用LangGraph创建智能体时，我们可能会使用那么这行代码究竟是什么意思呢？这行代码使用了 Python 的 functools.partial 来创建一个部分应用的函数，这是一种常见的函数式编程技术。

在遇到复杂任务时，比如第一次搜索没有找到想要的内容，我们可能需要进行第二次、第三次搜索，甚至可能需要调用网络搜索来完成。在这种情况下，顺序执行的任务（DAG）显然无法满足需求。请求方和搜索方之间需要经历多次来回沟通，请求方可能会要求搜索方根据反馈调整搜索策略，这种多次的循环沟通才能逐步逼近最终答案。

我们也可以定义一些未来Agent会用到的工具@tool):try:reprreturn (首先创建图的状态State。状态的内容结构是带有Key的消息List，用来追踪最新的sender。接下来为Agent定义一个Node节点passelse:return {llm,llm,定义一个工具节点来运行工具函数接下来定义逻辑边，它可以根据上游Agent的结果决定接下来，路由到哪里接下来，把上面定义的东西聚合在一起，组成一个图router,router,},try:pass。

多智能体协作机制：大语言模型综述多智能体系统（Multi-Agent System, MAS）是由多个相互作用的智能体组成的计算机化系统。这些智能体具有自主性，能够感知环境、与其他智能体交互，并通过协作解决复杂的任务。智能体：系统中的核心参与者，具有角色、能力、行为模式和知识模型。智能体的能力包括学习、规划、推理和决策制定，这些能力赋予了智能体和整个系统智能。环境：智能体所处的外部世界，智能体可以感知并作用于环境。环境可以是模拟的或物理空间，如工厂、道路、电网等。交互。

MCP（Model Context Protocol，模型上下文协议） ，2024年11月底，由 Anthropic 推出的一种开放标准，旨在统一大型语言模型（LLM）与外部数据源和工具之间的通信协议。MCP 的主要目的在于解决当前 AI 模型因数据孤岛限制而无法充分发挥潜力的难题，MCP 使得 AI 应用能够安全地访问和操作本地及远程数据，为 AI 应用提供了连接万物的接口。

在大模型的涌现能力刚被人们发掘的时候，人们意识到生成式AI的潜力可能不止局限于文本内容的生成，如果让大模型能够和外部世界交互，是不是就能获得更广泛的信息，甚至对外部环境造成一定影响？基于这个出发点，研究者把推理（例如思维链提示）和行动（例如 WebGPT、SayCan、ACT-1）进行结合，并提出了ReACT框架，其核心思想是将推理和行动结合起来，形成一个智能、自主的智能体结构，并拥有与外部环境交互的能力。

LangChain 使得原型设计大型语言模型（LLM）应用程序和代理变得容易。然而，将 LLM 应用程序交付到生产环境可能会异常困难。可能需要大量定制和迭代prompt、chain和其他组件，以创建高质量的产品。为了帮助这个过程，推出了LangSmith，一个统一的平台，用于调试、测试和监控LLM 应用程序。

你是一个非常有经验的程序员，现在给你函数名称，你会按照如下格式输出这段代码的名称、源代码、中文解释。函数名称：{function_name}源代码：代码解释："""# 自定义模版class，继承StringPromptTemplatesource_code = get_source_code(kwargs["function_name"]) # 获取源代码print(pm)text = '你是一个非常有经验的程序员，现在给你函数名称，你会按照如下格式输出这段代码的名称、源代码、中文解释。

LangChain 表达式语言（LangChain Expression Language，简称 LCEL）是 LangChain 框架中的一个核心组件，旨在提供一种简洁、灵活的方式来定义和操作语言模型的工作流。LCEL 允许开发者以声明式的方式构建复杂的语言模型应用，而无需编写大量的样板代码。异步、批处理和流支持：采用LCEL构建的任何链都将自动、完全的支持同步、异步、批处理和流等能力。这使得可以在Jupyter中使用同步接口创建链变得很容易，然后将其作为异步流接口进行公开。Fallbacks。

当 langchain-hub 中的prompt 及 chain 不满足我们的需求时，我们也可以构建自己的chain。下面我们看一个具体示例，通过自定义链实现维基百科形式的文章。（1）自定义链"""开发一个wiki文章生成器"""@property"""链的类型"""@property"""将返回prompt所需要的所有键"""@property"""将始终返回text键"""def _call(self,"""复写call方法，运行链的入口函数"""（2）调用链。

待更新…]

import os# 加载文档# (1) 总结文档# (2) 翻译文档# (3) 精炼文档，仅保留与主题相关的内容。

在构建 Agent 时，需要提供一个它可以使用的 Tool 列表。除了被调用的实际函数外，Tool 由几个组件组成：函数;LangChain 运行接口;通过从 BaseTool 子类化 – 这是最灵活的方法，它提供了最大的控制程度，但需要更多的努力和代码。从函数创建工具可能足以满足大多数用例，可以通过简单的 @tool 装饰器 来完成。如果需要更多配置，例如同时指定同步和异步实现，也可以使用 StructuredTool.from_function 类方法。

大模型跟人脑一样存储了大量的知识，我们不仅希望用这些知识来做一些简单的问答，我们更希望它也可以像人一样做一些自主决策，这就意味着要求它能够在没有人参与的情况下独立完成一些具有一定复杂度的任务。这个完成任务的过程就包括将任务切分成一些具体的小任务，以及每一步完成后接下来要做什么等这样的推理过程。langchain中的agent就是基于这种目标的一项功能。Memory（记忆）智能体用来存储和检索历史信息的组件。它允许智能体在多次交互中保持上下文，从而做出更连贯和相关的响应。