LangGraph构建Ai智能体

前言 在AI Agent应用中，多智能体架构涉及多个智能体协同工作，以实现复杂的目标。 智能体监督器（Agent Supervisor） 在管理这些智能体，通过协调任务、分配责任和监控结果，确保整个多

前言 自适应检索增强生成（Adaptive-RAG）是根据用户查询的复杂性来优化检索增强模型（比如LLM）。 传统的RAG方法往往没有考虑到查询复杂性的差异，结果要么是简单查询时计算开销过大，要么是复

前言 纠错式检索增强生成（CRAG）主要是为了解决RAG系统的一个关键问题：如果检索出来的结果不相关或者不正确怎么办？ CRAG引入纠错机制，用来评估和改进检索到的文档的质量。这在减少LLM的“幻觉”

前言 RAG通常的流程是先从向量数据库里根据用户输入检索相关文档，然后用语言模型生成回答。 Self-RAG，就是在RAG的基础上加了“反思”步骤。这种方法能让LLM自己控制什么时候检索、怎么评估相关

前言 首先展示下Embedding，本文使用阿里的模型，需要按照相关的依赖，参考 大模型服务平台百炼控制台 词嵌入 embed_query 处理单个文本 embed_documents 处理多个文本

前言 LangGraph中的代理检索增强生成（RAG）全称为Agentic Retrieval-Augmented Generation 简单来说，RAG 就像是给大型语言模型（LLM）装了一个“外挂

前言 为了让大家更好地理解计划与执行架构，下面将通过更多的例子进行详细阐述。这些例子将涵盖不同场景，帮助大家清晰地看到计划如何为执行提供方向，而执行又如何反馈并完善计划。 示例 IT诊断工具 运行结果

在之前的内容中，我们使用了英文提示词。虽然这种方式对于人工智能来说更容易被正确理解，但对于很多学习者来说，可能会感到有些困惑。毕竟，不是所有人都对英文编程术语非常熟悉，尤其是初学者，可能会在理解这些提

前言 计划和执行架构过将推理任务分为两个核心阶段（规划、执行）来增强推理任务。在处理需要为长期目标进行显式规划的复杂多步骤推理任务时特别有用。 由于多数模型也经常难以进行明确的长期规划，计划和执行可以

前言 人机交互 Human in the loop HITL，简称HITL 涉及人工智能工作流程中的人工监督，使代理能够在关键点暂停、寻求反馈并相应地调整其行为。 这在可能出现错误、敏感作或不确定结果

示例 2 产品信息查询的例子 输出结果为 示例3 产品查询并检查库存的例子 输出结果为 示例4 多步推理和动态Action的例子 用一个父图+多个子图完成复杂的任务 输出结果 父图推理节点负责处理用户

前言 ReAct = Reason + Action ReAct的核心概念 推理和行动协同：利用数据和选项进行推理，根据推理选择行动 透明的决策：记录想法和行动 迭代处理：推理和行动可以重复执行，初始

节点路由 LangGraph 支持节点路由，即可以根据函数返回的节点名进行路由。 路由还是通过add_conditional_edges实现的，即通过方法返回下一个节点的名字 下面是一个简单的示例 演

前言 基于大模型的原理，大模型在非训练模式下是不会把输入存储起来的，所以一般情况下使用的大模型都是没有记忆能力的。大模型的调用是无状态的，就像HTTP请求一样，每次针对大模型的调用都是一次独立的事件，

LangGraph也是LangChain开发团队开发的。可以独立于LangChain使用 和LangChain的不同在于 使用图结构来构建工作流，流程更灵活，功能更强大 LangGraph 核心 No

前言 本文将使用LangGraph搭建超级简单的智能体，我们使用阿里的通义千问作为我们的大模型API。 阿里相关的APIkey等，可以参考 如何通过OpenAI接口调用通义千问模型_大模型服务平台百炼

前言 智能体必须能够与外界交互，我们此处介绍tool_calls（function_calling)的方式。 大模型本身是不能调用任何工具的，但是当我们给大模型增加一些工具的描述时，大模型会根据用户的