Skip to content

Navigation Menu

Sign in
Appearance settings

Search code, repositories, users, issues, pull requests...

Provide feedback

We read every piece of feedback, and take your input very seriously.

Saved searches

Use saved searches to filter your results more quickly
Sign up
Appearance settings

Commit 12427fc

Browse files
docs:专栏更新
1 parent cbccb7b commit 12427fc

12 files changed

+1787
-30
lines changed

‎.vscode/.server-controller-port.log‎

Lines changed: 2 additions & 2 deletions
Original file line numberDiff line numberDiff line change
@@ -1,5 +1,5 @@
11
{
2-
"port": 9146,
3-
"time": 1722851162103,
2+
"port": 9145,
3+
"time": 1723122064966,
44
"version": "0.0.3"
55
}

‎docs/.vuepress/config.js‎

Lines changed: 32 additions & 3 deletions
Original file line numberDiff line numberDiff line change
@@ -468,7 +468,7 @@ module.exports = {
468468
link: '/md/ck/clickhouse概述.md'
469469
}]
470470
},
471-
471+
472472
{
473473
text: 'HBase',
474474
items: [{
@@ -518,7 +518,7 @@ module.exports = {
518518
link: '/md/bigdata/01-大数据的尽头是数据中台吗?.md'
519519
}]
520520
},
521-
521+
522522
{
523523
text: 'Hadoop',
524524
items: [{
@@ -695,6 +695,10 @@ module.exports = {
695695
text: 'Agent项目实战',
696696
link: '/md/AI/01-three-minute-fastapi-ai-agent-setup'
697697
},
698+
{
699+
text: 'LangGraph',
700+
link: '/md/AI/00-introduce-to-LangGraph'
701+
},
698702
]
699703
},
700704

@@ -849,6 +853,7 @@ module.exports = {
849853
"08-视频推荐索引构建",
850854
"09-交易中台-如何防止订单二次重复支付?",
851855
"小游戏的大促实践",
856+
"事件中心架构概述",
852857
]
853858
},
854859
{
@@ -1109,6 +1114,7 @@ module.exports = {
11091114
"JDK21新特性",
11101115
"JDK22新特性",
11111116
"IntelliJ IDEA 2024.1 最新变化",
1117+
"What’s-New-in-IntelliJ-IDEA-2024.2",
11121118
]
11131119
},
11141120
],
@@ -1233,6 +1239,15 @@ module.exports = {
12331239

12341240
]
12351241
},
1242+
1243+
{
1244+
title: "事件驱动",
1245+
collapsable: false,
1246+
sidebarDepth: 0,
1247+
children: [
1248+
"integrating-event-driven-microservices-with-request-response-APIs",
1249+
]
1250+
},
12361251
{
12371252
title: "DDD大厂实践",
12381253
collapsable: false,
@@ -1268,6 +1283,7 @@ module.exports = {
12681283
sidebarDepth: 0,
12691284
children: [
12701285
"00-Spring响应式编程",
1286+
"05-流式操作:如何使用 Flux 和 Mono 高效构建响应式数据流?",
12711287
]
12721288
}],
12731289

@@ -1315,6 +1331,7 @@ module.exports = {
13151331
"nature-of-kubernetes",
13161332
"02-Kubernetes核心组件之kube-proxy实现原理",
13171333
"pod-in-kubernetes",
1334+
"kubernetes-workloads-controllers-deployment",
13181335
"23-0-声明式API",
13191336
"23-1-Envoy",
13201337
]
@@ -1328,7 +1345,7 @@ module.exports = {
13281345
"使用 Kubernetes 部署 Nginx 应用",
13291346
]
13301347
},
1331-
1348+
13321349
{
13331350
title: "Kubernetes云平台KubeSphere",
13341351
collapsable: false,
@@ -1354,6 +1371,7 @@ module.exports = {
13541371
collapsable: false,
13551372
sidebarDepth: 0,
13561373
children: [
1374+
"netty-basic-components",
13571375
"ChannelPipeline接口",
13581376
"(06-1)-ChannelHandler 家族",
13591377
"(08)-学习Netty BootStrap的核心知识,成为网络编程高手!",
@@ -1369,6 +1387,7 @@ module.exports = {
13691387
children: [
13701388
"00-Kafka专栏大纲",
13711389
"Kafka门派知多少",
1390+
"kafka-versions",
13721391
"08-全网最全图解Kafka适用场景",
13731392
"09-消息队列的消息大量积压怎么办?",
13741393
"15-基于kafka实现延迟队列"
@@ -1435,6 +1454,7 @@ module.exports = {
14351454
"客户端基本操作",
14361455
"为啥要学习ClickHouse",
14371456
"为啥适合OLAP?",
1457+
"clickhouse-jdbc",
14381458
]
14391459
}],
14401460

@@ -1762,6 +1782,15 @@ module.exports = {
17621782
"03-use-tts-to-make-your-ai-agent-speak",
17631783
]
17641784
},
1785+
1786+
{
1787+
title: "LangGraph",
1788+
collapsable: false,
1789+
sidebarDepth: 0,
1790+
children: [
1791+
"00-introduce-to-LangGraph",
1792+
]
1793+
},
17651794
],
17661795

17671796
"/md/design/": [{
Lines changed: 151 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,151 @@
1+
# AI Agent 终结者 LangGraph!
2+
3+
⚡ 构建作为图的语言智能体 ⚡
4+
5+
## 1 概述
6+
7+
LangGraph是一个用于构建具有状态、多参与者应用程序的大语言模型(LLM)的库,用于创建智能体和多智能体的工作流程。与其他 LLM 框架相比,它提供以下核心优势:
8+
9+
- 循环
10+
- 可控性
11+
- 持久性
12+
13+
LangGraph 允许你定义涉及循环的流程,这对于大多数智能体架构至关重要,使其与基于DAG的解决方案区别开来。作为一个非常底层的框架,它提供了对应用程序的流程和状态的细粒度控制,这对于创建可靠的智能体至关重要。
14+
15+
此外,LangGraph 包含内置的持久性功能,支持高级的"人类在环"(human-in-the-loop)和记忆功能。
16+
17+
LangGraph 的灵感来源于 [Pregel](https://research.google/pubs/pub37252/) 和 [Apache Beam](https://beam.apache.org/)。其公共接口借鉴了 [NetworkX](https://networkx.org/documentation/latest/) 的设计。LangGraph 由 LangChain Inc. 创建,该公司也是 LangChain 的开发者,但它可以独立于 LangChain 使用。
18+
19+
### 1.1 关键特性
20+
21+
- **循环和分支**:在应用程序中实现循环和条件判断
22+
- **持久性**:在图中的每一步之后自动保存状态。你可以在任意时间点暂停和恢复图的执行,以支持错误恢复、"人类在环"工作流、时间回溯等功能
23+
- **人类在环**:在图执行过程中打断执行,以批准或编辑智能体计划的下一个动作
24+
- **流式支持**:在每个节点生成输出时进行流式传输(包括 token 流式传输)
25+
- **与 LangChain 集成**:LangGraph 可以与 [LangChain](https://github.com/langchain-ai/langchain/) 和 [LangSmith](https://docs.smith.langchain.com/) 无缝集成(但不要求使用它们)
26+
27+
## 2 安装
28+
29+
```bash
30+
pip install -U langgraph
31+
```
32+
33+
## 3 示例
34+
35+
LangGraph 的核心概念之一是状态。每次图执行都会创建一个状态,该状态在图中各节点执行时在它们之间传递,并且每个节点在执行后会用其返回值更新该内部状态。图更新其内部状态的方式由所选择的图类型或自定义函数定义。
36+
37+
### 使用搜索工具的简单智能体
38+
39+
40+
41+
```arduino
42+
pip install langchain-anthropic
43+
export ANTHROPIC_API_KEY=sk-...
44+
```
45+
46+
可选地,我们可设置 [LangSmith](https://docs.smith.langchain.com/) 以获得最佳的可观测性。
47+
48+
```python
49+
export LANGSMITH_TRACING=true
50+
export LANGSMITH_API_KEY=lsv2_sk_...
51+
from typing import Annotated, Literal, TypedDict
52+
53+
from langchain_core.messages import HumanMessage
54+
from langchain_anthropic import ChatAnthropic
55+
from langchain_core.tools import tool
56+
from langgraph.checkpoint.memory import MemorySaver
57+
from langgraph.graph import END, StateGraph, MessagesState
58+
from langgraph.prebuilt import ToolNode
59+
60+
61+
# 为智能体定义工具
62+
@tool
63+
def search(query: str):
64+
"""调用以浏览网络。"""
65+
# 这是一个占位符,但不要告诉 LLM...
66+
if "sf" 在查询字符串中,或者查询中包含 "san francisco":
67+
return "现在是 60 度,有雾。"
68+
return "现在是 90 度,晴天。"
69+
70+
71+
tools = [search]
72+
73+
tool_node = ToolNode(tools)
74+
75+
model = ChatAnthropic(model="claude-3-5-sonnet-20240620", temperature=0).bind_tools(tools)
76+
77+
# 定义决定是否继续的函数
78+
def should_continue(state: MessagesState) -> Literal["tools", END]:
79+
messages = state['messages']
80+
last_message = messages[-1]
81+
# 如果 LLM 进行工具调用,那么我们将路径设置为 "tools" 节点
82+
if last_message.tool_calls:
83+
return "tools"
84+
# 否则,我们停止(回复用户)
85+
return END
86+
87+
88+
# 定义调用模型的函数
89+
def call_model(state: MessagesState):
90+
messages = state['messages']
91+
response = model.invoke(messages)
92+
# 我们返回一个列表,因为这将被添加到现有列表中
93+
return {"messages": [response]}
94+
95+
96+
# 定义一个新图
97+
workflow = StateGraph(MessagesState)
98+
99+
# 定义我们将循环的两个节点
100+
workflow.add_node("agent", call_model)
101+
workflow.add_node("tools", tool_node)
102+
103+
# 将入口点设置为 `agent`
104+
# 这意味着这个节点是首先被调用的
105+
workflow.set_entry_point("agent")
106+
107+
# 我们现在添加一个条件边
108+
workflow.add_conditional_edges(
109+
# 首先,我们定义起始节点。我们使用 `agent`。
110+
# 这意味着这些边是在调用 `agent` 节点后执行的。
111+
"agent",
112+
# 接下来,我们传入决定下一个被调用节点的函数。
113+
should_continue,
114+
)
115+
116+
# 我们现在从 `tools` 到 `agent` 添加一条普通边。
117+
# 这意味着在 `tools` 被调用后,`agent` 节点会接着被调用。
118+
workflow.add_edge("tools", 'agent')
119+
120+
# 初始化内存以在图运行之间保存状态
121+
checkpointer = MemorySaver()
122+
123+
# 最后,我们编译它!
124+
# 这将其编译为一个 LangChain 可运行体,
125+
# 这意味着你可以像使用其他可运行体一样使用它。
126+
# 请注意,我们在编译图时(可选地)传递了内存
127+
app = workflow.compile(checkpointer=checkpointer)
128+
129+
# 使用可运行体
130+
final_state = app.invoke(
131+
{"messages": [HumanMessage(content="sf 的天气如何")]},
132+
config={"configurable": {"thread_id": 42}}
133+
)
134+
final_state["messages"][-1].content
135+
"根据搜索结果,我可以告诉你,旧金山目前的天气是:\n\n温度:华氏 60 度\n天气情况:有雾\n\n旧金山以其微气候和频繁的雾而闻名,尤其是在夏季的早晨和傍晚。60°F(约 15.5°C)的温度对于该市来说是非常常见的,因为该市一年四季温度都比较温和。雾气,当地人称之为 "Karl the Fog",是旧金山天气的一个特点,特别是在早晨和晚上。\n\n你还想知道有关旧金山或其他地方天气的其他信息吗?"
136+
```
137+
138+
现在当我们传递相同的 `"thread_id"` 时,会通过保存的状态(即存储的消息列表)保留对话上下文。
139+
140+
```python
141+
final_state = app.invoke(
142+
{"messages": [HumanMessage(content="那纽约呢")]},
143+
config={"configurable": {"thread_id": 42}}
144+
)
145+
final_state["messages"][-1].content
146+
"根据搜索结果,我可以告诉你,纽约目前的天气是:\n\n温度:华氏 90 度(约 32.2 摄氏度)\n天气情况:晴天\n\n这种天气与我们刚刚看到的旧金山的天气截然不同。纽约目前的温度要高得多。以下是一些需要注意的几点:\n\n1. 90°F 的温度相当热,典型的纽约市夏季天气。\n2. 晴朗的天气意味着晴空万里,这对户外活动非常有利,但也意味着由于阳光直射,感觉可能会更热。\n3. 纽约这种天气通常伴随着高湿度,这会使实际温度感觉更高。\n\n看到旧金山温和、多雾的天气与纽约炎热、晴朗的天气之间的巨大差异,这确实很有趣。这种差异展示了美国不同地区,即使在同一天,天气状况也可能截然不同。\n\n你还想了解纽约或其他地方的天气情况吗?"
147+
```
148+
149+
参考:
150+
151+
- https://langchain-ai.github.io/langgraph/#installation

0 commit comments

Comments
(0)

AltStyle によって変換されたページ (->オリジナル) /