Hal -hal berubah dengan cepat di dunia otomatisasi. Kita tidak hanya berbicara tentang robot canggung tua yang melakukan hal yang sama dan lagi. Sekarang kita melihat sistem yang sangat cerdas yang benar -benar dapat beradaptasi dan memahami hal -hal sendiri. Beban perubahan yang menarik ini adalah apa yang kami sebut Agen AI SystemsDan mereka diberi makan oleh alat yang sangat keren seperti Langchain dan Langgraph.

Teknologi ini membuka tingkat “otomatisasi cerdas” yang sama sekali baru. Kita berbicara tentang sistem yang benar -benar bisa memikirkan Melalui masalah, membuat rencana, bertindak dan bahkan belajar saat Anda pergi. Ini membuat mereka sangat berguna untuk tugas -tugas dan situasi yang halus ini yang masih berubah.

Di blog ini, kami akan menyelami cara Anda dapat menggunakan Langchain dan Langgraph untuk membangun agen AI tingkat yang lebih tinggi ini. Ini bukan robot medium Anda; Mereka dapat mengelola tugas yang rumit dan berpikir secara logis, dengan penekanan nyata pada pencapaian hal -hal di dunia nyata – apakah akan membantu meneliti atau meningkatkan layanan pelanggan. “”

Apa itu sistem agental AI?

Bayangkan sebuah AI yang tidak mengikuti instruksi tetapi itu secara aktif bekerja pada suatu tujuan. Dia dapat memecah tujuan utama, menemukan langkah terbaik untuk diambil, menggunakan alat yang berbeda untuk melakukan pekerjaan, belajar dari apa yang terjadi dan bahkan mengingat percakapan masa lalu untuk membuat keputusan yang lebih cerdas. Ini adalah keajaiban ai agen. Ini seperti memberikan LLM (model bahasa yang kuat ini) otak, tangan dan kemampuan untuk belajar di tempat kerja.

• Memahami tujuannya: Mereka dapat menjelaskan ujung tingkat tinggi dan membaginya menjadi langkah -langkah yang dapat digunakan.
• Perencanaan dan alasan: Mereka dapat memilih tindakan terbaik secara strategis dan tegas untuk mencapai tujuan mereka.
• Tindakan: Mereka dapat berinteraksi dengan dunia nyata melalui peralatan dan API.
• Inspeksi dan mempelajari: Mereka dapat menganalisis hasil tugas mereka dan menyesuaikan strategi masa depan mereka.
• Pertahankan referensi: Mereka dapat kekurangan interaksi dan keputusan sebelumnya untuk menerangi tahap masa depan.

Sistem AI ini adalah penyelamat total waktu, untuk melawan tugas -tugas yang biasanya Anda tempuh sendiri, seperti penelitian, menulis email atau mengelola kalender Anda. Katakanlah Anda ingin tahu tentang baterai mobil listrik terbaru – alih -alih menggali jam, tanyakan saja, dan AI mengaturnya, memasukkan informasi dan merangkumnya dalam beberapa menit!

Kekuatan Langchain

Langchain adalah bingkai serbaguna yang menyederhanakan penciptaan aplikasi AI dengan LLM. Ini menyediakan elemen konstituen sistem agen:

• Integrasi LLM: Terhubung ke model seperti GPT-4, Llama atau Grok untuk perawatan bahasa alami.
• Peralatan: Memungkinkan agen untuk berinteraksi dengan sistem eksternal, seperti duckduckgo untuk penelitian web atau API untuk pemulihan data.
• Rantai: Urutan komponen yang dapat digunakan kembali yang dapat dihubungkan bersama untuk melakukan tugas -tugas kompleks. Pertimbangkan mereka sebagai “alur kerja” agen AI Anda.
• Peralatan: Integrasi dengan sumber daya eksternal seperti mesin pencari, basis data, API dan bahkan model AI khusus lainnya, yang memungkinkan agen untuk berinteraksi dengan dunia.
• Ingatan: Mekanisme bagi agen untuk mempertahankan informasi dari interaksi yang lalu, penting untuk mempertahankan konteks dan memungkinkan perilaku yang lebih koheren dari waktu ke waktu.
• Agen: Arsitektur yang telah ditentukan yang menggabungkan model, alat, dan memori untuk membuat sistem pembuatan keputusan yang cerdas.

Langchain menyediakan elemen konstituen dan model arsitektur untuk membangun agen AI yang kuat dan fleksibel.

Langgraph: Orchestrate Multi-Agent Workflows

Dengan demikian, sementara Langchain fantastis untuk membuat alat bantu cerdas dan alur kerja sederhana, Langgraph meluncurkan hal -hal yang takik. Itu memungkinkan Anda untuk membangun utuh tim Dari agen AI ini yang dapat bekerja sama untuk memecahkan masalah yang sangat sulit. Bayangkan memiliki kelompok ahli AI khusus, masing -masing dengan keterampilan unik mereka sendiri, semua kolaborator untuk mencapai sesuatu yang penting. Langgraph memberi Anda alat untuk mengkonfigurasi bagaimana rekan tim AI ini berbicara satu sama lain dan bagaimana mereka mengatur pekerjaan mereka. “”

Karakteristik utama langgraph meliputi:

• Arsitektur berdasarkan grafik: Mewakili interaksi agen dan alur kerja sebagai grafik, memungkinkan jalur eksekusi yang kompleks dan non -linier.
• Manajemen negara: Alat untuk mengelola keadaan bersama dan informasi antara berbagai agen grafis.
• Logika bersyarat: Pertimbangkan logika bersyarat grafik Lang sebagai pemimpin tim untuk agen AI Anda. Ini memungkinkan Anda untuk mengatur aturan yang memutuskan mana yang melakukan apa, sesuai dengan cara proyek berlangsung. Artinya: “Jika agen menyelesaikan ini, maka pergantian agen B.
• Paralel:: Langgraph bahkan dapat memungkinkan beberapa agen AI untuk bekerja pada berbagai bagian masalah pada saat yang sama. Ini dapat secara serius mempercepat hal -hal ketika Anda berurusan dengan tugas yang sangat kompleks.

Pada dasarnya, Langgraph melepaskan kekuatan kerja tim yang sebenarnya untuk AI. Ini memungkinkan Anda untuk membangun sistem yang dapat mengelola bahkan tantangan paling rumit menggunakan keterampilan unik dari seluruh tim agen AI khusus yang bekerja bersama. “”

Kasus Penggunaan Dunia Nyata: Agen Asisten Peneliti

Untuk mengilustrasikan, pertimbangkan a Wakil Agen Penelitian Dibangun dengan Langchain dan Langgraph. Agen ini mengotomatiskan tugas penelitian, jam jam untuk siswa, profesional atau insinyur. Begini cara kerjanya, berdasarkan permintaan seperti “Kemajuan Baterai EV Terbaru”:

1. Meminta classifier: LLM mengklasifikasikan permintaan sebagai “umum”, “teknis” atau “pemilik”.
2. Pencarian Web: Untuk permintaan umum atau teknis, alat penelitian Duckduckgo memulihkan artikel atau artikel yang relevan.
3. Ringkasan: LLM mengembun hasil dalam ringkasan 50 kata, merosot pertanyaan pemilik untuk manusia jika perlu.

Diagram alur kerja agen asisten peneliti

Penyelarasan dengan diagram alur kerja pendek

• Awal: Permintaan Penelitian: Menginisialisasi peneliti dengan permintaan.
• Permintaan Classifier (LLM): Classify_query mengkategorikan permintaan.
• Jenis permintaan: Route_query rolls ke search_web atau ringkasan_results.
• Pencarian Web (Duckduckgo): Search_web menggunakan DuckDuckGosearchResults.
• Summarizer (LLM): Ringkasan_Results menghasilkan ringkasan 50 kata.
• Akhir: Ringkasan / Pendakian: Urutkan ringkasan (permintaan pemilik menerima pesan default).

Ekstrak Kode: Agen Asisten Peneliti

Ekstrak kode start -up untuk menunjukkan bagaimana sistem AI agen dibangun menggunakan Langchain dan Langgraph. Contoh ini menunjukkan agen yang ditenagai oleh LLM yang menggunakan:

# Install Dependencies
# Run this in your terminal:
# pip install langchain langgraph openai duckduckgo-search

# Step 1: Define the Tools
from langchain.tools import tool
from duckduckgo_search import DDGS

@tool
def search_web(query: str) -> str:
    results = DDGS().text(query, max_results=3)
    return "\n".join([r['body'] for r in results])

# Step 2: Set Up the LLM
from langchain.chat_models import ChatOpenAI
import os

OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")

llm = ChatOpenAI(model="gpt-4-turbo-preview", api_key=OPENAI_API_KEY)

# Step 4: Build Agent Behavior with LangGraph
from langgraph.graph import StateGraph, END
from langchain.agents import ToolExecutor, AgentExecutor, create_openai_functions_agent

tools = [search_web]
tool_executor = ToolExecutor(tools)
agent = create_openai_functions_agent(llm, tools)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# Define state and graph
def invoke_agent(state):
    output = agent_executor.invoke({"input": state["user_input"]})
    return {"output": output["output"]}

builder = StateGraph()
builder.add_node("agent", invoke_agent)
builder.set_entry_point("agent")
builder.set_finish_point("agent", output_key="output")

graph = builder.compile()

# Step 4: Run the Agent
result = graph.invoke({"user_input": "Latest EV battery advancements?"})
print(result["output"])

Hasil

Agen:

• Gunakan duckduckgo untuk mencari
• Merangkum hasil menggunakan model OpenAI GPT
• Dapat diperluas untuk menulis dalam memori, memvisualisasikan hasilnya atau bahkan mengotomatiskan tindak lanjut

Masa depan adalah agen

Masa depan otomatisasi sangat cerdas, dan dimotivasi oleh sistem agen AI yang dibangun dengan alat -alat seperti Langchain dan Langgraph. Ini bukan hanya langkah kecil ke depan; Mereka adalah lompatan raksasa dalam hal kecerdasan, seberapa mudah beradaptasi dan bagaimana pemecahan masalah sistem kita dapat diadaptasi.

Karena teknologi ini terus berlanjut lebih baik dan lebih baik, kita akan melihat aplikasi yang sangat menakjubkan muncul. Mereka akan mengubah cara kerja kita, bagaimana kita berinteraksi dengan teknologi, dan jujur, seberapa banyak yang bisa kita lakukan.

Siap menyelam dan melihat apa yang dapat dilakukan oleh semua otomatisasi yang lebih cerdas ini dengan agen? Yang keren adalah alat -alat itu sudah ada. Seolah -olah senjata awal telah ditembakkan dan kemungkinan terbuka lebar!

Kesimpulan

Langchain dan Langgraph menawarkan pengembang kekuatan untuk menciptakan sistem AI “pemikiran” ini yang dapat mengotomatiskan tugas -tugas dengan cara yang sangat cerdas, yang menghemat waktu kita dan membuat kita jauh lebih produktif. Apakah Anda mencoba menentukan baterai terbaru dalam kendaraan listrik atau membuat dukungan pelanggan Anda lebih lancar, alat -alat ini menawarkan fleksibilitas dan otot untuk menciptakan solusi yang benar -benar membuat perbedaan. Jadi mengapa tidak mulai bermain dengan mereka hari ini? Anda mungkin hanya membuka kunci dunia baru otomatisasi yang lebih cerdas.