Le cose stanno cambiando rapidamente nel mondo dell’automazione. Non stiamo solo parlando di quei vecchi e goffi robotic che fanno la stessa cosa ancora e ancora. Ora stiamo assistendo a sistemi davvero intelligenti che possono effettivamente adattarsi e capire le cose da soli. Guidare la carica in questo eccitante turno sono ciò che chiamiamo Sistemi di intelligenza artificiale agentee sono alimentati da alcuni strumenti davvero interessanti come Langchain e Langgraph.
Queste tecnologie stanno aprendo un livello completamente nuovo di “automazione intelligente”. Stiamo parlando di sistemi che possono effettivamente pensare Attraverso problemi, fare piani, agire e persino imparare mentre vanno. Questo li rende incredibilmente utili per quei compiti e situazioni difficili che cambiano sempre.
In questo weblog, ci immergeremo su come usare Langchain e Langgraph per costruire questi agenti di intelligenza artificiale di livello successivo. Questi non sono i tuoi robotic medi; Possono gestire compiti complicati e pensare logicamente, con una vera attenzione a fare le cose nel mondo reale, sia che si tratti di aiutare con la ricerca o di migliorare il servizio del cliente. “
Quali sono i sistemi AI agenti?
Immagina un’intelligenza artificiale che non sta seguendo solo le istruzioni ma che lavora attivamente per un obiettivo. Può abbattere grandi obiettivi, capire i migliori passaggi da prendere, utilizzare strumenti diversi per portare a termine il lavoro, imparare da ciò che accade e persino ricordare le conversazioni passate per prendere decisioni più intelligenti lungo la linea. Questa è la magia dell’IA agente. È come dare a un LLM (quei potenti modelli linguistici) un cervello, mani e capacità di imparare sul lavoro.
- Capire gli obiettivi: Possono spiegare scopi di alto livello e spezzarli in fasi attuabili.
- Pianificazione e ragioni: Possono scegliere strategicamente e decisamente il miglior modo di agire per raggiungere i loro obiettivi.
- Azione: Possono interagire con il mondo reale tramite attrezzatura e API.
- Ispezione e Imparare: Possono analizzare i risultati dei loro compiti e adattare le loro strategie future.
- Mantenere riferimento: Possono perdere le interazioni e le decisioni precedenti per informare le fasi future.
Questi sistemi di intelligenza artificiale sono piccoli tempi, affrontando le attività che normalmente ti sfogci, come la ricerca, la redazione di e-mail o la gestione del tuo programma. Supponi di essere curioso delle ultime batterie per auto elettriche – invece di ore di scavo, basta chiedere, e l’IA lo risolve, afferra le informazioni e le riassume in pochi minuti!
Il potere di Langchain
Langchain è un framework versatile che semplifica la costruzione di applicazioni di intelligenza artificiale con LLM. Fornisce i mattoni per i sistemi agenti:
- Integrazione LLM: Si collega a modelli come GPT-4, Llama o Grok per l’elaborazione del linguaggio naturale.
- Utensili: Consente agli agenti di interagire con sistemi esterni, come DuckDuckgo per ricerche Net o API per il recupero dei dati.
- Catene: Sequenze riutilizzabili di componenti che possono essere collegate insieme per eseguire compiti complessi. Pensa a loro come ai “flussi di lavoro” del tuo agente AI.
- Utensili: Integrazioni con risorse esterne come motori di ricerca, database, API e persino altri modelli di intelligenza artificiale specializzati, consentendo agli agenti di interagire con il mondo.
- Memoria: Meccanismi per gli agenti per conservare le informazioni dalle interazioni passate, cruciali per mantenere il contesto e consentire un comportamento più coerente nel tempo.
- Agenti: Architetture pre-costruite che combinano modelli, strumenti e memoria per creare sistemi decisionali intelligenti.
Langchain fornisce i mattoni e i modelli architettonici per costruire agenti di intelligenza artificiale potenti e flessibili.
Langgraph: orchestrating multi-agente flussi di lavoro
Quindi, mentre Langchain è fantastico per la creazione di singoli aiutanti intelligenti di intelligenza artificiale e flussi di lavoro semplici, Langgraph alza le cose in più. Ti consente di costruire interi squadre Di questi agenti AI che possono lavorare insieme per affrontare problemi davvero difficili. Immagina di avere un gruppo di esperti di intelligenza artificiale specializzati, ognuno con le proprie capacità uniche, che collaborano per ottenere qualcosa di significativo. Langgraph ti dà gli strumenti per impostare come questi compagni di squadra di AI parlano tra loro e come organizzano il loro lavoro “.
Le caratteristiche chiave di Langgraph includono:
- Architettura basata su grafici: Rappresentando le interazioni e i flussi di lavoro degli agenti come grafico, consentendo percorsi di esecuzione complessi e non lineari.
- Gestione statale: Strumenti per la gestione dello stato condiviso e le informazioni tra diversi agenti nel grafico.
- Logica condizionale: Pensa alla logica condizionale di Lang Graph come al chief del crew per i tuoi agenti AI. Ti consente di impostare regole che decidono chi fa cosa successiva, a seconda di come sta andando il progetto. È come dire: “Se l’agente A finisce questo, allora è il turno dell’agente B”.
- Esecuzione parallela: Langgraph può persino lasciare che più agenti di intelligenza artificiale lavorino su various parti del problema allo stesso tempo. Questo può accelerare seriamente le cose quando hai a che fare con compiti davvero complessi.
Fondamentalmente, Langgraph scatena il vero potere del lavoro di squadra AI. Ti consente di costruire sistemi in grado di gestire anche le sfide più difficili utilizzando le abilità uniche di un’intera squadra di agenti di intelligenza artificiale specializzati che lavorano insieme. “
Caso d’uso nel mondo reale: Assistente alla ricerca
Per illustrare, consideriamo un file Assistente agente di ricerca Costruito con Langchain e Langgraph. Questo agente automatizza le attività di ricerca, le ore di risparmio per studenti, professionisti o ingegneri. Ecco come funziona, basato su una domanda come “Ultimi progressi della batteria EV”:
- Classificatore di question: Un LLM classifica la question come “generale”, “tecnico” o “proprietario”.
- Ricerca net: Per question generali o tecniche, uno strumento di ricerca DuckDuckgo recupera articoli o documenti pertinenti.
- Summalizzatore: Un LLM condensa i risultati in un riassunto di 50 parole, se necessario in modo crescente domande proprietarie a un essere umano.
Diagramma del flusso di lavoro Assistente di ricerca
Allineamento con il diagramma del flusso di lavoro corto
- Inizio: question di ricerca: Inizializza ResearchState con la question.
- Classificatore di question (LLM): Classify_Query classifica la question.
- Tipo di question: Route_Query Routes to Search_Web o Summaze_Results.
- Ricerca net (DuckDuckgo): Search_Web utilizza DuckDuckGosearchResults.
- Summarzer (LLM): Summaze_Results genera un riepilogo di 50 parole.
- Effective: riassunto/intensificarsi: Emette il riepilogo (le question proprietarie ricevono un messaggio predefinito).
Codice Snippet: Assistente Assistente di ricerca
Un frammento di codice di avviamento per dimostrare come viene costruito un sistema di intelligenza artificiale agente utilizzando Langchain e Langgraph. Questo esempio mostra un agente basato su LLM che utilizza:
# Set up Dependencies
# Run this in your terminal:
# pip set up langchain langgraph openai duckduckgo-search
# Step 1: Outline the Instruments
from langchain.instruments import device
from duckduckgo_search import DDGS
@device
def search_web(question: str) -> str:
outcomes = DDGS().textual content(question, max_results=3)
return "n".be part of((r('physique') for r in outcomes))
# 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(mannequin="gpt-4-turbo-preview", api_key=OPENAI_API_KEY)
# Step 4: Construct Agent Conduct with LangGraph
from langgraph.graph import StateGraph, END
from langchain.brokers import ToolExecutor, AgentExecutor, create_openai_functions_agent
instruments = (search_web)
tool_executor = ToolExecutor(instruments)
agent = create_openai_functions_agent(llm, instruments)
agent_executor = AgentExecutor(agent=agent, instruments=instruments, verbose=True)
# Outline state and graph
def invoke_agent(state):
output = agent_executor.invoke({"enter": 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
outcome = graph.invoke({"user_input": "Newest EV battery developments?"})
print(outcome("output"))
Risultato
L’agente:
- Usi DuckDuckgo per cercare
- Riassume i risultati utilizzando il modello GPT di Openai
- Potrebbe essere esteso a scrivere in memoria, visualizzare i risultati o persino automatizzare i follow-up
Il futuro è agente
Il futuro dell’automazione sembra seriamente intelligente ed è guidato da questi AI agente Sistemi costruiti con strumenti come Langchain e Langgraph. Non sono solo un piccolo passo avanti; Sono un salto gigante in termini di quanto intelligente, adattabile e di quanto possano essere bravi a risolvere i nostri sistemi automatizzati.
Poiché queste tecnologie continuano a migliorare, vedremo apparire alcune applicazioni davvero strabilianti. Cambieranno il modo in cui lavoriamo, il modo in cui interagiamo con la tecnologia e, onestamente, quanto possiamo fare.
Pronto a immergersi e vedere cosa può fare tutta questa automazione più intelligente con l’IA agente? La cosa interessante è che gli strumenti sono già qui. È come se la pistola iniziale abbia sparato e le possibilità sono spalancate!
Conclusione
Langchain e Langgraph stanno dando agli sviluppatori il potere di creare questi sistemi di intelligenza artificiale “pensieri” in grado di automatizzare le attività in un modo davvero intelligente, risparmiandoci tempo e rendendoci molto più produttivi. Sia che tu stia cercando di capire le ultime batterie EV o di rendere il tuo supporto clienti molto più fluido, questi strumenti offrono la flessibilità e il muscolo per creare soluzioni che fanno effettivamente la differenza. Quindi, perché non iniziare a giocare con loro oggi? Potresti semplicemente sbloccare un mondo completamente nuovo di automazione più intelligente.
