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 from langchain_community.tools import GoogleSerperRun from langchain_community.tools.openai_dalle_image_generation import OpenAIDALLEImageGenerationTool from langchain_community.utilities import GoogleSerperAPIWrapper from langchain_community.utilities.dalle_image_generator import DallEAPIWrapper from langchain_core.pydantic_v1 import BaseModel, Field from langchain_openai import ChatOpenAI from langgraph.prebuilt.chat_agent_executor import 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 = Field(description="执行谷歌搜索的查询语句") class DallEArgsSchema(BaseModel): query: str = Field(description="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_schema=GoogleSerperArgsSchema, api_wrapper=GoogleSerperAPIWrapper(), ) dalle = OpenAIDALLEImageGenerationTool( name="openai_dalle", api_wrapper=DallEAPIWrapper(model="dall-e-3"), args_schema=DallEArgsSchema, ) tools = [google_serper, dalle]
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:
model = ChatOpenAI(model="gpt-4o-mini", temperature=0)
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:
agent = create_react_agent( model=model, tools=tools )
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(agent.invoke({"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': [HumanMessage(content='帮我绘制一幅鲨鱼在天上飞的图片'), AIMessage(content='', additional_kwargs={'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。
标签:LangGraph,Agent,ReACT,智能,构建,import From: https://www.cnblogs.com/muzinan110/p/18540042