LangGraph实战教程:构建会思考、能记忆、可人工干预的多智能体AI系统

通过组合几个较小的子智能体来创建强大的 AI 智能体已成为一种趋势。但这也带来了挑战,例如减少幻觉、管理对话流程、在测试期间密切关注智能体的工作方式、允许人工介入以及评估其性能。你需要进行大量的反复试验。

在本文中,我们将使用监督者方法构建一个多智能体系统。在此过程中,我们将介绍基础知识、在创建复杂的 AI 智能体架构时可能面临的挑战,以及如何评估和改进它们。

我们将使用 LangGraph 和 LangSmith 等工具来帮助我们完成此过程。

我们将从基础开始,通过分步方法来创建这个复杂的多 AI 智能体架构

环境设置

LangChain、LangGraph 模块构成了一个完整的架构,但是如果我一次性导入所有库,肯定会造成混淆。

所以我们只会在需要时导入模块,因为这将有助于我们以正确的方式学习。

第一步是创建环境变量,用于保存我们的敏感信息,如 API 密钥和其他类似信息。

  1. importos
  2. # 为 API 集成设置环境变量
  3. os.environ["OPENAI_API_KEY"] ="your-openai-api-key"
  4. os.environ["LANGSMITH_API_KEY"] ="your-langsmith-api-key"
  5. os.environ["LANGSMITH_TRACING"] ="true" # 启用 LangSmith 追踪
  6. os.environ["LANGSMITH_PROJECT"] ="intelligent-rag-system" # 用于组织 LangSmith 追踪的项目名称

LangSmith 对你来说可能是一个新术语。如果你不知道它是什么,我们将在下一节讨论它的用途。如果你已经知道了,可以跳过他。

要获取 LangSmith API 密钥,你可以访问他们的网站并创建一个帐户。之后,在设置下,你会找到你的 API 密钥。

LangSmith 的目的

当我们使用 LLM 构建 AI 智能体应用程序时,LangSmith 可以帮助你理解和改进它们。它就像一个仪表板,显示应用程序内部发生的情况,并允许你:

  • 出现问题时进行调试
  • 测试你的提示和逻辑
  • 评估答案的质量
  • 实时监控你的应用程序
  • 跟踪使用情况、速度和成本

LangSmith 使所有这些都易于使用,即使你不是开发人员。

让我们导入它。

 

https://avoid.overfit.cn/post/6d53ceee8630474bb5119ee19596028b

posted @ 2025-06-09 12:31  deephub  阅读(8)  评论(0)    收藏  举报