首页 > 其他分享 >LangGraph入门:构建ReACT架构的智能Agent

LangGraph入门:构建ReACT架构的智能Agent

时间:2024-11-11 16:43:19浏览次数:1  
标签:LangGraph Agent ReACT 智能 构建 import

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

相关文章

  • LangGraph进阶:条件边与工具调用Agent实现
    在前两篇文章中,我们讨论了LCEL和AgentExecutor的局限性,以及LangGraph的基础概念。今天,我们将深入探讨LangGraph的高级特性,重点关注条件边的使用和如何实现一个完整的工具调用Agent。条件边的高级用法条件边是LangGraph中最强大的特性之一,它允许我们基于状态动态决定执行流......
  • Intro to LLM Agents with Langchain: When RAG is Not Enough
    https://towardsdatascience.com/intro-to-llm-agents-with-langchain-when-rag-is-not-enough-7d8c08145834Asalways,youcanfindthecodeonGitHub,andhereareseparateColabNotebooks:PlanningandreasoningDifferenttypesofmemoriesVarioustypesof......
  • Langchain ReAct
    officialhttps://python.langchain.com/v0.1/docs/modules/agents/agent_types/react/https://python.langchain.com/v0.2/api_reference/langchain/agents/langchain.agents.react.agent.create_react_agent.htmlfromlangchainimporthubfromlangchain_community.llm......
  • 使用react+copy-to-clipboard封装双击复制组件
    前言:最近在公司研发后台系统,用户反馈在双击某些信息时希望可以进行复制的操作,多处使用进而封装为组件首先:安装copy-to-clipboardnpmi--savecopy-to-clipboard其次:封装组件importReact,{memo,useCallback}from'react';import{notification}from"antd";......
  • Redux的基本原理以及其如何在React中使用
    什么是Redux?它有什么用Redux是一个用于JavaScript应用的状态管理库,通常与React一起使用。它帮助开发者管理应用中各个组件之间的状态,使得状态的变化变得更加可预测和易于调试。注意:Redux也可以不和React组合使用的哦(通常一起使用)Redux基本原理所有的状态都以对象树......
  • ReactPress技术揭秘
    ReactPressGithub项目地址:https://github.com/fecommunity/reactpress欢迎Star。一、引言ReactPress是一个基于React构建的开源发布平台,它不仅可以帮助用户在支持React和MySQL数据库的服务器上快速搭建自己的博客或网站,还能作为一个功能强大的内容管理系统(CMS)使用。本......
  • 【大模型应用开发 动手做AI Agent】Agent的感知力:语言交互能力和多模态能力
    AIAgent,语言交互,多模态感知,大模型应用,自然语言处理,计算机视觉1.背景介绍在人工智能领域,AIAgent(智能代理)作为一种能够感知环境、做出决策并与环境交互的智能体,扮演着越来越重要的角色。一个强大的AIAgent需要具备敏锐的感知能力,才能有效地理解和响应周围世......
  • 【大模型应用开发 动手做AI Agent】Agent带来新的商业模式和变革
    大模型、AIAgent、应用开发、商业模式、变革、智能化、自动化1.背景介绍近年来,人工智能(AI)技术取得了飞速发展,特别是大模型的涌现,为AI应用带来了前所未有的机遇。大模型,是指参数规模庞大、训练数据海量的人工智能模型,具备强大的泛化能力和学习能力,能够在自然语言处理、......
  • Springboot 的Servlet Web 应用、响应式 Web 应用(Reactive)以及非 Web 应用(None)的特点
    基于Servlet的Web应用(ServletWeb)    特点         使用传统的ServletAPI和SpringMVC框架。         采用阻塞I/O模型,每个请求都会占用一个线程直到请求处理完毕。         适合处理同步请求-......
  • WINDOWS XP ReactOS 4.2 对象类型
    系列文章目录文章目录系列文章目录4.2对象类型OBJECT_TYPE_INITIALIZERExpInitializeTimerImplementation()ObpInsertEntryDirectory()ObInit()IopCreateObjectTypes()4.2对象类型对象是分类的,因而是有“类型(Type)”的,前面列举了许多常用的Windows对象类型。但是要列举......