教程¶

刚接触 LangGraph 或 LLM 应用开发？阅读这些材料以开始构建你的第一个应用程序。

开始 🚀¶

• LangGraph 快速入门: 构建一个能够使用工具并跟踪对话历史的聊天机器人。增加人类在环中的能力并探索时间旅行是如何工作的。
• LangGraph 服务器快速入门: 在本地启动 LangGraph 服务器，并使用 REST API 和 LangGraph Studio Web UI 与其交互。
• LangGraph 云快速入门: 使用 LangGraph Cloud 部署一个 LangGraph 应用。
• LangGraph 模板快速入门: 使用模板应用快速开始使用 LangGraph 平台构建。

用例 🛠️¶

探索专门为特定场景量身定制的实际实现：

聊天机器人¶

• 客户支持: 构建一个多功能支持机器人，支持航班、酒店和汽车租赁。
• 基于用户需求的提示生成: 构建一个信息收集聊天机器人。
• 代码助手: 构建一个代码分析和生成助手。

RAG¶

• 代理 RAG: 使用代理来确定如何在使用获取的信息回答用户问题之前检索最相关的信息。
• 自适应 RAG: 自适应 RAG 是一种将（1）查询分析与（2）主动/自我修正的 RAG 相结合的策略。实现详情见：https://arxiv.org/abs/2403.14403
  • 使用本地 LLM 的版本: 使用本地 LLM 的自适应 RAG
• 纠正性 RAG: 使用 LLM 对给定来源检索的信息质量进行评分，如果质量低，则尝试从另一个来源检索信息。实现详情见：https://arxiv.org/pdf/2401.15884.pdf
  • 使用本地 LLM 的版本: 使用本地 LLM 的纠正性 RAG
• 自我 RAG: 自我 RAG 是一种在检索的文档和生成上加入自我反思/自我评分的 RAG 策略。实现详情见：https://arxiv.org/abs/2310.11511。
  • 使用本地 LLM 的版本: 使用本地 LLM 的自我 RAG
• SQL 代理: 构建一个能够回答有关 SQL 数据库问题的 SQL 代理。

代理架构¶

多代理系统¶

• 网络: 使两个或更多代理能够协同完成任务
• 监督者: 使用 LLM 来协调和分配给各个代理
• 层次团队: 组织嵌套的代理团队以解决问题

规划代理¶

• 计划与执行: 实现一个基本的规划和执行代理
• 无观察推理: 通过将观察结果保存为变量来减少重新规划
• LLM 编译器: 从规划器流式传输并及时执行任务的 DAG

反思与批评¶

• 基本反思: 提示代理反思并修订其输出
• 反思: 批评缺失和多余的细节以指导下一步
• 思维树: 使用评分树搜索问题的候选解决方案
• 语言代理树搜索: 利用反思和奖励驱动代理的蒙特卡罗树搜索
• 自我发现代理: 分析一个学习其自身能力的代理

评估¶

• 基于代理的: 通过模拟用户交互评估聊天机器人
• 在 LangSmith 中: 在 LangSmith 中基于对话数据集评估聊天机器人

实验性¶

• 网络研究 (STORM): 通过研究和多角度问答生成类似维基百科的文章
• TNT-LLM: 构建丰富、可解释的用户意图分类法，并使用 Microsoft 为其 Bing Copilot 应用开发的分类系统。
• 网络导航: 构建一个能够导航和与网站交互的代理
• 竞争编程: 构建一个具有少量“情节记忆”和人类在环中协作的代理，以解决美国计算机奥林匹克竞赛中的问题；改编自 Shi、Tang、Narasimhan 和 Yao 的论文"语言模型能否解决奥林匹克编程？"。
• 复杂数据提取: 构建一个能够使用函数调用进行复杂提取任务的代理