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
3. # 为 API 集成设置环境变量
4. os.environ["OPENAI_API_KEY"] ="your-openai-api-key"
5. os.environ["LANGSMITH_API_KEY"] ="your-langsmith-api-key"
6. os.environ["LANGSMITH_TRACING"] ="true" # 启用 LangSmith 追踪
7. 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