wshzd的博客

其次，为了建立确保正确性，我们人类的一种做法是在解决问题的每一步都进行测试，这确保了最终解决方案的可信度。本文统计了自回归语言模型在基于以前的token生成新token时，不会显式执行逻辑正确性检查，这限制了LLM纠正自身错误的能力。这是基于LLM的自治代理的典型情况，其中动态创建链并按顺序执行，同时多次轮询LLM。会话和状态历史记录（上下文）存储在内存模块中，这使代理可以参考思维过程的先前部分，并可能从历史记忆采取不同的路线。为了验证ToT技术的有效性，本文实现了一个基于ToT的代理来解决数独难题。

Langgraph的特点是什么，以及如何在Langgraph中构建一个代理执行器，我们将探讨Langgraph中的聊天代理执行器以及如何在人类循环和聊天中修改Langgraph中的聊天agent执行器。这些将帮助我们利用现有的LangChain代理类，为我们的代理提供OpenAI的语言模型，并使用Tavily Python包实现搜索功能。通过观察LangSmith中的过程可以证实这一点，在LangSmith中，我们可以看到工具是第一个被调用的东西，然后是最后的语言模型调用。这是我们的人工验证步骤。

他们会汇报竞争情况，他们有很多很棒的想法，你想把它们应用到你的业务中。在第1部分中，我们使用“PydanticOutputParser”来分析我们的数据并添加所需的结构。在LangChain中，Agent是利用语言模型来选择要执行的操作序列的系统。与Chain不同的是，在Chain中，动作被硬编码在代码中，而Agent利用语言模型作为“推理引擎”，决定采取哪些动作以及以何种顺序采取这些动作。导入包含竞争情报的CSV，将其应用于提取链进行解析和结构化，并将解析后的信息无缝集成回原始数据集。