- LangGraph ļauj izveidot mākslīgā intelekta aģentus, izmantojot uz grafu balstītu stāvokļa mašīnu, nodrošinot iteratīvas spriešanas cilpas.
- ReAct modelis atšķir aģentus no tērzēšanas robotiem, nodrošinot domāšanas, rīcības ar rīku palīdzību un rezultātu novērošanas ciklu.
- Izstrāde aptver gan iepriekš izveidotu palīgrīku izmantošanu ātrai prototipu izstrādei, gan manuālu StateGraph konstruēšanu detalizētai kontrolei.
- Ražošanai gataviem aģentiem ir nepieciešama stratēģiska uzmanība dokumentācijas virknes skaidrībai, stāvokļa kontrolpunktiem un cilvēka vadītai uzraudzībai.
Vai esat kādreiz domājuši, kas īsti notiek zem pārsega, kad mākslīgais intelekts ne tikai tērzē, bet arī faktiski paveic lietas ? Lai gan standarta tērzēšanas roboti ir lieliski piemēroti ātrai jautājumu un atbilžu sesijai, īstā maģija notiek, kad nonākat mākslīgā intelekta aģentu pasaulē. Šīs sistēmas ne tikai izspiež tekstu; tās risina problēmas , izvēlas pareizos rīkus uzdevumam un atkārto, līdz uzdevums ir izpildīts. Tas ir lēciens no vienkārša atbildētāja uz digitālo darbinieku – prasme, kas pašlaik ir zelta vērtē mākslīgā intelekta inženierijas pasaulē.
Lai to īstenotu, LangChain komanda mums piedāvāja LangGraph — ietvaru, kas ļauj šos aģentus veidot kā grafus. Taisnas līnijas vietā no A uz B var veidot ciklus un sarežģītas atzarojumus , ļaujot mākslīgajam intelektam domāt, rīkoties, novērot rezultātu un pēc tam vēlreiz domāt. Ja vēlaties pāriet no vienkāršām uzvednēm uz sarežģītām, stāvokļiem balstītām darbplūsmām Python valodā, esat nonācis īstajā vietā.
Kas atšķir mākslīgā intelekta aģentu no tērzēšanas robota?
Iedomājieties parastu tērzēšanas robotu kā tirdzniecības automātu: jūs ievadāt pieprasījumu, un tas sniedz jums iepriekš definētu vai ģenerētu atbildi. Savukārt aģents vairāk līdzinās personīgajam asistentam ar rīku komplektu . Tas izmanto lielo valodu modeli (LLM) kā savas centrālās smadzenes, lai izlemtu, kādu darbību veikt tālāk. Šo procesu bieži sauc par ReAct modeli (Reasoning and Acting) , kur modelis cikliski iziet cauri domāšanas ciklam par uzdevumu, izsaucot rīku, piemēram, meklēšanu tīmeklī vai datubāzes vaicājumu, un analizējot rezultātu, lai izlemtu, vai tam ir jāizmēģina kaut kas cits vai arī tam ir galīgā atbilde.
Iepazīšanās ar LangGraph
LangGraph nav tikai vēl viena bibliotēka; tas ir veids, kā modelēt aģenta loģiku kā stāvokļa mašīnu . Tradicionālā ķēdē jūs virzāties uz priekšu lineāri. LangGraph jūs definējat koplietotu stāvokli (parasti ziņojumu vēsturi), kas pārvietojas caur dažādiem mezgliem. Šie mezgli būtībā ir "darba stacijas", kur notiek loģika, un malas ir "ceļi", kas nosaka, kur plūsma virzās tālāk. Šī spēja apstrādāt ciklus ir tieši tāpēc, ka tā ir aģentu izvēle, kuriem ir jāveic pašlabošana vai iterācija.
Atkarībā no tā, cik lielu kontroli vēlaties, ir divi veidošanas veidi. Ātrajā variantā tiek izmantotas iepriekš izveidotas funkcijas , kas jūsu vietā paveic smago darbu. Manuālajā variantā StateGraph mezgls tiek veidots pa mezglam , kas ir ideāli piemērots, ja nepieciešama ķirurģiska precizitāte attiecībā uz aģenta darbību.
Soli pa solim: sava pirmā aģenta izveide
Pirms iedziļināties kodā, jums ir nepieciešams izveidojiet savu vidi. Greifers langgraph un langchain-openai paketes, izmantojot pip. Jums būs nepieciešama arī API atslēga no tāda pakalpojumu sniedzēja kā OpenAI vai Anthropic, kas droši glabājas kā vides mainīgais. Ja jums ir ierobežots budžets vai vēlaties privātumu, varat to palaist. lokāli, izmantojot Ollama, ar nosacījumu, ka jūsu aparatūra spēj izturēt slodzi.
Aģenta rīku komplekta definēšana
Aģents ir tikpat labs, cik labs ir tā rīki. Python valodā šie rīki ir tikai funkcijas, kas ietvertas @instrumentu dekorators no langchain_core.toolsLūk, slepenā recepte: dokstringLLM nolasa funkcijas aprakstu, lai saprastu, kad to izmantot. Ja apraksts ir neskaidrs, aģents apjuks; ja tas ir kristāldzidru, aģents instrumentu izvēlē būs ļoti precīzs.
Loģikas apkopošana
Tiem, kas vēlas ātrus rezultātus, create_react_agent funkcija ir īsts glābiņš. Jums vienkārši jānorāda modelis, rīku saraksts un sistēmas uzvedne, un tā automātiski izveido ReAct cikluZem pārsega tas izveido grafiku ar spriešanas mezglu, a ToolNode izpildei, un nosacītu malu, kas izlemj, vai atgriezties pie smadzenēm vai visu pabeigt. Pēc tam jūs izsaucat .compile() lai šo plānu pārvērstu par dzīvu aģentu.
Izpilde un novērojamība
Lai sāktu, izmantojiet .invoke() metode ar vārdnīcu, kurā ir jūsu ziņojumi. Lai redzētu, kas patiesībā notiek aģenta galvā, ir ļoti ieteicams pievienot LangSmitsTas sniedz ieskatu spriešanas trasē, ievērojami atvieglojot atkļūdot vietu, kur aģents nogāja no sliedēm sarežģīta daudzpakāpju uzdevuma laikā.
Profesionāli padomi ražošanas līmeņa aģentiem
Pāreja no stilīgas demonstrācijas uz uzticamu produktu prasa papildu slīpēšanu. Pirmkārt, kontrolpunkti ir būtiski atmiņai; tie ļauj aģentam atcerēties kontekstu dažādos sarunas posmos. Otrkārt, darbībām ar augstām likmēm jāievieš cilvēka iesaistes aktivizētāji, apturot grafiku, lai reāls cilvēks varētu dot zaļo gaismu. Visbeidzot, sekojiet līdzi latentumam un izmaksām , jo katrs grafikā esošais cikls ir vēl viens API izsaukums, kas summējas gan laikā, gan naudā.
Bieži uzdotie jautājumi jaunpienācējiem
Lai to izdarītu, jums nav jābūt mašīnmācīšanās doktorantam. Lielākā daļa darba patiesībā ir Python programmēšana un orķestrēšanas loģika; jūs izmantojat esošos modeļus, nevis apmācāt tos no nulles. Izvēloties starp iepriekš izveidotu palīgprogrammu un manuālo grafiku, atcerieties, ka create_react_agent ir lieliski piemērots 80% lietošanas gadījumu, savukārt rokasgrāmata StateGraph ir paredzēts, ja nepieciešama paralēla izpilde vai sarežģīta atkārtotas mēģinājuma loģika.
Apgūstot stāvokļu, mezglu un šķautņu plūsmu, jūs varat pārveidot vienkāršu tiesību zinātņu palīgu (LLM) par dinamisku sistēmu, kas spēj darboties autonomi . Apvienojot skaidrus rīku aprakstus, viedu atmiņas pārvaldību un pareizo orķestrācijas ietvaru, jūs varat izveidot mākslīgā intelekta asistentus, kas ne tikai runā, bet arī reāli darbojas reālās pasaules lietojumprogrammās.
