教程

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

快速开始 🚀

• LangGraph 快速入门: 构建一个能够使用工具并记录对话历史的聊天机器人。添加人机交互功能，并探索时间旅行的工作原理。
• 常见工作流: 使用 LangGraph 实现的大型语言模型（LLMs）中最常见的工作流概述。
• LangGraph 服务器快速入门: 在本地启动 LangGraph 服务器，并通过 REST API 和 LangGraph Studio Web UI 进行交互。
• LangGraph 模板快速入门: 使用模板应用开始构建 LangGraph 平台。
• 使用 LangGraph 云快速部署: 使用 LangGraph 云部署 LangGraph 应用。

使用案例 🛠️

探索特定场景下的实际实现：

聊天机器人

• 客户服务: 构建一个多用途的支持聊天机器人，用于航班、酒店和汽车租赁。
• 从用户需求生成提示: 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（检索增强生成）

• 代理RAG: 使用代理来确定如何检索最相关的数据，然后使用这些数据来回答用户的问题。
• 自适应RAG: 自适应RAG是一种策略，它结合了查询分析与主动/自我纠正RAG。实现：https://arxiv.org/abs/2403.14403
  • 使用本地大语言模型版本：使用本地大语言模型的自适应RAG
• 校正RAG: 使用大语言模型评估从给定来源检索的信息质量，如果质量低，则尝试从另一个来源检索信息。实现：https://arxiv.org/pdf/2401.15884.pdf
  • 使用本地大语言模型版本：使用本地大语言模型的校正RAG
• 自我RAG: 自我RAG是一种策略，它包含了对检索到的文档和生成的内容进行自我反思/自我评分。实现：https://arxiv.org/abs/2310.11511。
  • 使用本地大语言模型版本：使用本地大语言模型的自我RAG
• SQL代理: 构建一个可以回答关于SQL数据库问题的SQL代理。

代理架构

多代理系统

• 网络: 允许两个或多个代理协作完成任务
• 监督者: 使用大语言模型来协调并分配给各个代理
• 分层团队: 协调嵌套的代理团队以解决问题

规划代理

• 计划与执行: 实现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
• 大语言模型编译器: 流式执行来自规划器的有向无环图(DAG)任务

反思与批评

• 基本反思: 提示代理对其输出进行反思和修订
• 反思: 批评缺失和多余的细节以指导下一步
• 思想树: 使用评分树搜索候选解决方案
• 语言代理树搜索: 使用反思和奖励驱动代理的蒙特卡洛树搜索
• 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: 通过模拟用户交互来评估聊天机器人
• 在LangSmith中: 在LangSmith中通过对话数据集评估聊天机器人

实验性

• 网络研究(STORM): 通过研究和多视角问答生成类似维基百科的文章
• TNT-LLM: 构建丰富且可解释的用户意图分类体系，采用微软为其Bing副驾应用开发的分类系统。
• 网页导航: 构建一个能够导航和互动网站的代理
• 竞争编程: 构建一个具有少量“片段记忆”和人机协作功能的代理，用于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"语言模型能否解决奥赛编程？"论文。
• 复杂数据提取: 构建一个能够使用函数调用来完成复杂提取任务的代理

LangGraph 平台 🧱

身份验证与访问控制

在以下三部分指南中为现有的 LangGraph 平台部署添加自定义身份验证和授权：

1. 设置自定义身份验证：实现 OAuth2 身份验证以授权用户使用您的部署
2. 资源授权：让用户拥有私密对话
3. 连接身份验证提供者：添加真实用户账户并使用 OAuth2 进行验证

Comments