AI智能体(二)

算法之名

发布于 2024-10-05 07:53:56

12400

代码可运行

文章被收录于专栏：算法之名算法之名

运行总次数：0

代码可运行

LangGraph：基于状态机的工作流

跨越多个对话或工具的无缝状态管理
根据动态条件在节点之间灵活跳转
在LLMs和人工操作之间平滑切换
长时间运行的持久性

LangGraph更低级别、更细粒度管理Agent的状态和行为。适合大型复杂的Agent。langchain提供类似AgentExecutor这样的更高层次框架，适合快速开发和部署。

上图是LangGraph完整的图计算的模式，有开始，有结束，中间有很多节点，节点之间会有一定的关系。我们会有三个概念来实现LangGraph。

State：状态机状态，任何Python类型，它对应于上图中的线，表示各种状态。
Nodes：Agent的逻辑函数，操作State。如上图中的entry_node，它操作之后才决定流程是走到node_entry_node_A还是走到node_entry_node_B。
Edges：控制流规则，条件分支或固定转换。如上图中的start和end。

Graph：对象与关系表达，它的组成有

顶点(Vertices)
边(Edges)
表示对象及其相互关系

有关图的内容可以参考图论整理

HelloWorld

pip install langgraph

from langgraph.graph import StateGraph, END
from langchain_community.chat_models import ChatZhipuAI
from langchain_core.messages import BaseMessage, HumanMessage
from typing import TypedDict, Annotated, Sequence
import operator
import os

class AgentState(TypedDict):
    '''
    状态记录
    '''
    messages: Annotated[Sequence[BaseMessage], operator.add]

def _call_model(state):
    '''
    执行LLM操作
    '''
    response = chat.invoke(state['messages'])
    return {'messages': [response]}

if __name__ == '__main__':

    os.environ['ZHIPUAI_API_KEY'] = '******'
    chat = ChatZhipuAI(model='glm-4', temperature=0.5)
    workflow = StateGraph(AgentState)
    workflow.add_node('model', _call_model)
    workflow.set_entry_point('model')
    workflow.add_edge('model', END)
    app = workflow.compile()
    res = app.invoke({'messages': [HumanMessage(content='你好')]})
    print(res)

运行结果

{'messages': [HumanMessage(content='你好', additional_kwargs={}, response_metadata={}), AIMessage(content='你好👋！我是人工智能助手智谱清言，可以叫我小智🤖，很高兴见到你，欢迎问我任何问题。', additional_kwargs={}, response_metadata={'token_usage': {'completion_tokens': 32, 'prompt_tokens': 6, 'total_tokens': 38}, 'model_name': 'glm-4', 'finish_reason': 'stop'}, id='run-b982480c-39d9-4445-8888-62a10339ef86-0')]}

状态持久化

许多AI的应用程序需要Memory来在多个交互中共享上下文。在LangGraph中，通过Checkpointers为任何StateGraph提供内存。