LangGraph进阶：构建ReACT架构的智能Agent
弁言在人工智能和大语言模型（LLM）快速发展的今天，怎样构建高效、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方面表现精彩。本文将深入探讨怎样使用LangGraph来实现ReACT架构，并提供详细的代码示例息争释。
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工作流程表现为一个状态图，其中包罗节点、边和数据状态。这种方法使得我们可以更直观地计划和实现智能Agent的行为逻辑。
在LangGraph中，我们可以使用底子组件（节点、边、数据状态）来构建Agent，这也是LangGraph自由度高的一个重要长处。同时，LangGraph还提供了一些预构建的署理，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，它团结了推理和行动的能力。在ReACT架构中，Agent通过不断地思考（Reasoning）、接纳行动（Acting）和观察结果（Observing）来解决题目。这种方法使得Agent可以或许更灵活地应对复杂的使命，而且可以使用外部工具来增强其能力。
使用LangGraph实现ReACT架构
现在，让我们通过一个详细的例子来看看怎样使用LangGraph实现ReACT架构的智能Agent。
1. 情况设置
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. 界说工具和参数模式
接下来，我们界说了两个工具：Google搜索和DALL-E图像生成。同时，我们也为这些工具界说了参数模式：
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 \= \
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，智能体会首先明白使命需求，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怎样简化了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的灵活性也答应我们根据需要自界说和扩展Agent的功能。
需要留意的是，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，而且在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的核心计划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。
怎样系统的去学习大模型LLM ？
大模型期间，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等题目热议不断。
事实上，抢你饭碗的不是AI，而是会使用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产物后，许多中小企业也陆续进场！超高年薪，发掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，平常程序员，另有应对的时机吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI期间，谁先尝试，谁就能占得先机！
但是LLM相干的内容许多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学碰到困难的同砚们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包罗LLM大模型书籍、640套大模型行业陈诉、LLM大模型学习视频、LLM大模型学习门路、开源大模型学习教程等,
页:
[1]