广铁建设集团门户网站大学生编程培训机构

广铁建设集团门户网站,大学生编程培训机构,网站备案时间多久,网站设置成灰色一、什么是 LangGraph#xff1f; LangGraph 是一个用于构建状态化、多步骤 AI 应用的框架。与传统的单次调用 AI 模型不同#xff0c;LangGraph 允许我们创建可以记住历史、做出决策、执行多个步骤并根据结果调整行为的复杂 AI 系统。 LangGraph 的核心特点包括#xff1a…一、什么是 LangGraphLangGraph 是一个用于构建状态化、多步骤 AI 应用的框架。与传统的单次调用 AI 模型不同LangGraph 允许我们创建可以记住历史、做出决策、执行多个步骤并根据结果调整行为的复杂 AI 系统。LangGraph 的核心特点包括状态化: 保持执行过程中的状态信息多步骤: 支持复杂的多步骤工作流可记忆: 通过检查点机制实现短期记忆可中断: 支持人工干预和决策可恢复: 支持暂停和恢复执行二、为什么需要 LangGraph传统 AI 应用的局限性传统的 AI 应用通常采用单次调用模式输入 → AI 模型 → 输出。这种模式在以下场景中存在局限性多步骤推理: 需要多次调用 AI 模型进行推理状态管理: 需要记住历史交互信息循环处理: 需要根据结果决定是否继续人工干预: 需要在某些节点等待人工确认LangGraph 解决的问题LangGraph 通过图结构解决了上述问题图结构: 使用节点和边定义复杂的执行流程状态管理: 通过状态对象维护执行过程中的数据条件分支: 根据条件动态选择执行路径检查点: 持久化状态支持恢复和重放三、LangGraph 的核心概念1. Pregel 模型LangGraph 基于 Pregel 计算模型这是一种用于大规模图计算的编程模型。Pregel 模型采用 Bulk Synchronous Parallel (BSP) 范式将计算过程分为多个超步Superstep每个超步包含三个阶段计划阶段: 确定此步骤中要执行的节点执行阶段: 并行执行选定的节点更新阶段: 更新通道中的值2. StateGraphStateGraph 是 LangGraph 中用于创建状态化工作流的主要抽象。它由以下几个核心组件构成状态State: 定义图中共享的数据结构节点Node: 执行特定功能的函数或可运行对象边Edge: 定义节点间的执行顺序条件边Conditional Edge: 基于条件动态选择下一个节点from typing import TypedDictfrom langgraph.graph import StateGraph, START, ENDclass State(TypedDict): value: intdef increment(state):return {value: state[value] 1}def multiply_by_two(state):return {value: state[value] * 2}# 创建图builder StateGraph(State)builder.add_node(increment, increment)builder.add_node(multiply, multiply_by_two)builder.add_edge(START, increment)builder.add_edge(increment, multiply)builder.add_edge(multiply, END)graph builder.compile()# 执行图result graph.invoke({value: 1})print(result) # 输出: {value: 4}3. Channels通道Channels 是节点间通信的主要机制定义了数据如何在图中流动。主要类型包括LastValue: 存储通道的最后值适用于需要单一值的状态字段Topic: 发布-订阅通道可累积多个值适用于消息列表等场景BinaryOperatorAggregate: 使用二元操作符聚合值适用于数值累加等场景from typing import TypedDictfrom typing_extensions import Annotatedimport operatorclass State(TypedDict):# 使用 reducer 累积消息 messages: Annotated[list, operator.add]# 使用 reducer 累积总数 total: Annotated[int, operator.add]4. Checkpoints检查点检查点系统提供持久化状态的能力支持暂停、恢复和重放from langgraph.checkpoint.memory import MemorySaver# 创建检查点保存器memory MemorySaver()graph builder.compile(checkpointermemory)# 执行图并持久化状态config {configurable: {thread_id: 1}}result graph.invoke({value: 0}, config)5. Interrupts中断中断机制允许在图执行过程中暂停以便进行人工干预from langgraph.types import interruptdef node_with_interrupt(state):# 中断并等待用户输入 user_input interrupt(请输入一个数字:)return {user_input: str(user_input)}四、LangGraph 的应用场景1. AI 代理系统AI 代理通常需要多步骤推理、工具调用和状态管理from langgraph.prebuilt import create_react_agentfrom langchain_openai import ChatOpenAIfrom langchain.tools import tooltooldef get_weather(location: str) - str:获取指定位置的天气return f{location}的天气是晴朗的温度22°Ctools [get_weather]model ChatOpenAI(modelgpt-3.5-turbo)agent create_react_agent(model, tools)result agent.invoke({messages: [(user, 北京的天气如何)]})2. 多步骤工作流复杂的业务逻辑需要多个步骤协同完成from typing import TypedDict, Literalfrom typing_extensions import Annotatedfrom langgraph.graph import StateGraph, START, ENDimport operatorclass Task(TypedDict): id: str description: str status: Literal[pending, in_progress, completed, failed] created_at: str completed_at: str | Noneclass TaskManagerState(TypedDict): tasks: Annotated[list[Task], operator.add] current_task_id: str | None completed_tasks: Annotated[list[Task], operator.add]def add_task(state): new_task {id: ftask_{len(state[tasks]) 1},description: fSample task {len(state[tasks]) 1},status: pending,created_at: datetime.now().isoformat(),completed_at: None }return {tasks: [new_task]}def process_task(state): pending_tasks [t for t in state[tasks] if t[status] pending]ifnot pending_tasks:return {current_task_id: None} task pending_tasks[0]# 模拟任务处理 updated_task {**task, status: completed, completed_at: datetime.now().isoformat()}return {current_task_id: task[id],completed_tasks: [updated_task] }def should_continue(state): pending_tasks [t for t in state[tasks] if t[status] pending]returnprocessif pending_tasks else ENDbuilder StateGraph(TaskManagerState)builder.add_node(add, add_task)builder.add_node(process, process_task)builder.add_conditional_edges(START, lambda s: add)builder.add_conditional_edges(add, should_continue, [process, END])builder.add_edge(process, add)graph builder.compile()3. 数据处理流水线构建复杂的数据处理流水线class DataPipelineState(TypedDict): raw_data: list processed_data: Annotated[list, operator.add] validation_errors: Annotated[list, operator.add] pipeline_status: strdef extract_data(state):从源提取数据 raw_data [ {id: 1, name: Alice, email: aliceexample.com}, {id: 2, name: Bob, email: invalid-email}, {id: 3, name: Charlie, email: charlieexample.com} ]return {raw_data: raw_data, pipeline_status: extracted}def validate_data(state):验证数据 errors [] valid_data []for item in state[raw_data]:ifin item[email] and.in item[email]: valid_data.append(item)else: errors.append(fInvalid email for {item[name]}: {item[email]}) result {processed_data: valid_data}if errors: result[validation_errors] errorsreturn resultdef transform_data(state):转换数据格式 transformed []for item in state[processed_data]: transformed.append({user_id: item[id],full_name: item[name].upper(),contact: item[email] })return {processed_data: transformed, pipeline_status: completed}builder StateGraph(DataPipelineState)builder.add_node(extract, extract_data)builder.add_node(validate, validate_data)builder.add_node(transform, transform_data)builder.add_edge(START, extract)builder.add_edge(extract, validate)builder.add_edge(validate, transform)builder.add_conditional_edges(transform, lambda s: END if s[pipeline_status] completedelsetransform)graph builder.compile()五、高级特性1. 条件分支根据条件动态选择执行路径def should_continue(state):if state[value] 5:returnincrementelse:return ENDdef increment(state):return {value: state[value] 1}builder StateGraph(State)builder.add_node(increment, increment)builder.add_conditional_edges(START, should_continue, [increment, END])builder.add_edge(increment, START)graph builder.compile()Result graph.invoke({value: 1})print(result) # 输出: {value: 5}2. 并行处理使用 Send API 实现并行处理from langgraph.types import Senddef distribute_work(state):# 为每个项目创建任务return [Send(process_item, {item: item}) for item in state[items]]def should_continue(state):returnsquareif len(state[results]) len(state[numbers]) else END3. 错误处理和重试内置的错误处理和重试机制from langgraph.types import RetryPolicy# 定义重试策略retry_policy RetryPolicy( initial_interval0.5, backoff_factor2.0, max_attempts5, retry_onException)builder.add_node(operation, unreliable_operation, retry_policyretry_policy)4. 流式处理支持多种流式输出模式# 流式输出每个步骤的更新for chunk in graph.stream({value: 1}, stream_modeupdates): print(chunk)# 流式输出最终值for chunk in graph.stream({value: 1}, stream_modevalues): print(chunk)六、架构模式1. ReAct 模式ReAct (Reasoning Acting) 模式是 LangGraph 中常用的 AI 代理模式2. Map-Reduce 模式使用 Send API 实现 Map-Reduce 模式def map_tasks(state):# 为每个项目创建任务return [Send(process, {item: item}) for item in state[items]]def reduce_results(state):# 合并结果return {result: sum(state[partial_results])}七、最佳实践1. 状态设计使用 TypedDict 或 Pydantic 模型明确定义状态为需要累积的字段使用适当的 reducer避免状态过于复杂考虑分解为多个图2. 错误处理使用重试策略处理临时性错误实现适当的错误恢复机制记录和监控错误情况3. 性能优化使用检查点避免重复计算合理设置递归限制使用异步 API 提高并发性能4. 调试和监控使用流式输出监控执行过程启用调试模式获取详细信息使用检查点进行状态回溯八、与其他组件的集成1. LangChain 集成LangGraph 与 LangChain 生态系统无缝集成与 LangChain 的 LLM、工具、记忆等组件无缝集成使用 Runnable 接口实现节点利用 LangChain 的回调系统2. 外部系统集成通过自定义节点集成数据库与外部 API 交互集成消息队列和事件系统九、总结LangGraph 提供了一个强大而灵活的框架来构建复杂的 AI 工作流。通过理解其核心概念Pregel 模型、StateGraph、Channels、Checkpoints 等开发者可以构建从简单到复杂的各种 AI 应用从基本的数值处理到复杂的多步骤推理系统。LangGraph 的主要优势包括状态化管理提供了完整的状态管理机制图结构支持复杂的执行流程定义可扩展性支持子图、并行处理等高级特性容错性内置错误处理和重试机制可观察性提供丰富的监控和调试功能随着 AI 应用复杂度的不断增加LangGraph 为开发者提供了一个强大的工具能够构建更加智能、灵活和可靠的 AI 系统。无论是构建 AI 代理、多步骤工作流还是复杂的决策系统LangGraph 都能提供相应的解决方案。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】