教程¶
刚接触 LangGraph 或 LLM 应用开发?阅读这些材料以快速上手构建您的第一个应用程序。
入门 🚀¶
- LangGraph 快速入门:构建一个可以使用工具并跟踪对话历史记录的聊天机器人。添加人工干预功能并探索时间旅行如何工作。
- 常见工作流程:概述使用 LangGraph 实现的基于 LLM 的最常见工作流程。
- LangGraph Server 快速入门:在本地启动 LangGraph server,并使用 REST API 和 LangGraph Studio Web UI 与其交互。
- LangGraph 模板快速入门:使用模板应用程序开始使用 LangGraph Platform 进行构建。
- 使用 LangGraph Cloud 部署快速入门:使用 LangGraph Cloud 部署 LangGraph 应用程序。
用例 🛠️¶
探索针对特定场景量身定制的实际实现
聊天机器人¶
- 客户支持:构建一个用于航班、酒店和汽车租赁的多功能支持机器人。
- 根据用户需求生成 Prompt:构建一个信息收集聊天机器人。
- 代码助手:构建一个代码分析和生成助手。
RAG¶
- Agentic RAG:使用智能体找出如何检索最相关的信息,然后使用检索到的信息回答用户的问题。
- 自适应 RAG:自适应 RAG 是一种 RAG 策略,它结合了 (1) 查询分析和 (2) 主动/自校正 RAG。实现自:https://arxiv.org/abs/2403.14403
- 使用本地 LLM 的版本:使用本地 LLM 的自适应 RAG
- 纠正性 RAG:使用 LLM 评估从给定来源检索到的信息的质量,如果质量较低,将尝试从其他来源检索信息。实现自:https://arxiv.org/pdf/2401.15884.pdf
- 使用本地 LLM 的版本:使用本地 LLM 的纠正性 RAG
- Self-RAG:Self-RAG 是一种 RAG 策略,它包含对检索到的文档和生成的自我反思/自我评估。实现自 https://arxiv.org/abs/2310.11511。
- 使用本地 LLM 的版本:使用本地 LLM 的 Self-RAG
- SQL 智能体:构建一个可以回答关于 SQL 数据库问题的 SQL 智能体。
智能体架构¶
多智能体系统¶
规划智能体¶
- 计划-执行:实现一个基本的计划和执行智能体
- 无观察推理:通过将观察结果保存为变量来减少重新规划
- LLMCompiler:流式传输并即时执行来自规划器的任务 DAG
反思与批判¶
- 基本反思:提示智能体反思并修改其输出
- Reflexion:批判缺失和多余的细节以指导下一步
- 思维树:使用评分树搜索问题的候选解决方案
- 语言智能体树搜索:使用反思和奖励驱动智能体上的蒙特卡洛树搜索
- 自我发现智能体:分析一个学习自身能力的智能体
评估¶
- 基于智能体:通过模拟用户交互评估聊天机器人
- 在 LangSmith 中:在 LangSmith 中通过对话数据集评估聊天机器人
实验性¶
- 网络研究 (STORM):通过研究和多角度问答生成类似维基百科的文章
- TNT-LLM:使用 Microsoft 为其 Bing Copilot 应用程序开发的分类系统,构建丰富、可解释的用户意图分类体系。
- 网页导航:构建一个可以导航和与网站交互的智能体
- 竞争性编程:构建一个具有少样本“情景记忆”和人工干预协作的智能体,以解决美国计算机奥林匹克竞赛中的问题;改编自 Shi、Tang、Narasimhan 和 Yao 的论文 “语言模型能解决奥林匹克编程问题吗?”。
- 复杂数据提取:构建一个可以使用函数调用执行复杂提取任务的智能体
LangGraph Platform 🧱¶
身份验证与访问控制¶
在以下三部分指南中,为现有的 LangGraph Platform 部署添加自定义身份验证和授权