📄️ LangGraph 开发指南
本系列文章介绍langgraph 相关的内容
📄️ 2.1 LangGraph 初识
概述
📄️ 2.2 LangGraph 工具调用
大模型如果只依赖自身的知识,那么很难流行起来,也不会解决太多的问题,因为大模型自身的训练数据是有限的,像 agent 系统之所以能够流行,主要依赖大模型的决策能力,以前我们如果写程序,需要程序员按照产品经理的产品设计,设置好代码的运行逻辑依次的按照产品逻辑进行执行,比如用户询问北京的天气,那么会通过一定的代码比如关键词匹配,正则表达式或者NLP相关的工具来判断出用户的意图,还有分析出想要查询的地区是北京,然后调用相应的工具获取数据,过程中会有很大的出错概率,如参数分析的不准确,工具调用的不正确等,现在有了大模型,我们可以利用大模型的意图分析能力准确的得到需要调用哪个工具以及调用参数。
📄️ 2.3 langGraph工具调用之ToolNode
前面章节我们自己定义了工具调用类
📄️ 2.4 LangGraph 流式输出
在之前的文章中,我们一直在使用 app.invoke(inputs) 方法执行工作流,invoke 方法会把整个流的最终执行结果一次性的返回给调用端,如果工作流执行时间很长,用户需要等待的时间就会很长,体验会很差,目前主流的大模型都会提供SSE流式输出接口,LangChain 本身对于流式输出做了很好的封装,本文我们来讨论一下在LangGraph 中如何使用流式输出。
📄️ 2.5 LangGraph 之 ReAct agent
一、ReAct 概念