教程

LangGraph 或 LLM 应用开发新手？阅读此材料以开始构建您的第一个应用程序。

快速开始 🚀

• 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。添加人机协作功能，并探索时间旅行的工作原理。
• 常用工作流：概述使用 LangGraph 实现的 LLM 最常用工作流。
• LangGraph 服务器快速入门：在本地启动 LangGraph 服务器，并使用 REST API 和 LangGraph Studio Web UI 与之交互。
• LangGraph 模板快速入门：使用模板应用程序开始使用 LangGraph 平台进行构建。
• 使用 LangGraph Cloud 快速入门部署：使用 LangGraph Cloud 部署 LangGraph 应用程序。

用例 🛠️

探索为特定场景量身定制的实际应用

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。
• 从用户需求生成 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 Agent 找出如何检索最相关的信息，然后再使用检索到的信息来回答用户的问题。
• Adaptive RAG：Adaptive RAG 是一种 RAG 策略，它将 (1) 查询分析与 (2) 主动/自我纠正的 RAG 结合起来。实现： https://arxiv.org/abs/2403.14403
  • 对于使用本地 LLM 的版本： 使用本地 LLM 的 Adaptive RAG
• Corrective 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，它将尝试从另一个来源检索信息。实现： https://arxiv.org/pdf/2401.15884.pdf
  • 对于使用本地 LLM 的版本： 使用本地 LLM 的 Corrective RAG
• Self-RAG：Self-RAG 是一种 RAG 策略，它将对检索到的文档和生成内容进行自我反思/自我评分。实现 https://arxiv.org/abs/2310.11511。
  • 对于使用本地 LLM 的版本： 使用本地 LLM 的 Self-RAG
• SQL Agent：构建一个可以回答有关 SQL 数据库问题的 SQL Agent。

Agent 架构

多 Agent 系统

• 网络：使两个或多个 Agent 能够协作完成任务
• Supervisor：使用 LLM 来编排和委派给各个 Agent
• 分层团队：编排嵌套的 Agent 团队来解决问题

规划代理

• 计划与执行：实现一个基本的计划和执行 Agent
• 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：从规划器流式传输并急切地执行任务 DAG

反思与评论

• 基本反思：提示 Agent 反思和修改其输出
• Reflexion：评论缺失和多余的细节以指导后续步骤
• 思维树：使用评分树搜索问题的候选解决方案
• 语言 Agent 树搜索：使用反思和奖励来驱动 Agent 的蒙特卡洛树搜索
• 自我发现 Agent：分析一个学习自身能力的 Agent

评估

• 基于 Agent：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

• Web 研究 (STORM)：通过研究和多角度 QA 生成类似 Wikipedia 的文章
• TNT-LLM：构建丰富的、可解释的用户意图分类法，并使用 Microsoft 为其 Bing Copilot 应用程序开发的分类系统。
• Web 导航：构建一个可以导航和与网站交互的 Agent
• 竞技编程：构建一个具有少样本“情景记忆”和人机协作的 Agent，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来执行复杂提取任务的 Agent

LangGraph 平台 🧱

身份验证与访问控制

在以下三部分指南中，为现有的 LangGraph 平台部署添加自定义身份验证和授权。

1. 设置自定义身份验证：实施 OAuth2 身份验证以授权用户在您的部署上
2. 资源授权：允许用户进行私人对话
3. 连接身份验证提供程序：添加真实用户帐户并使用 OAuth2 进行验证

评论