教程¶
你是 LangGraph 或大语言模型（LLM）应用开发的新手吗？阅读本材料，开启你的首个应用开发之旅。
快速开始 🚀¶
- 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。添加人工干预功能并探索时光回溯功能的工作原理。
- 常见工作流：概述使用 LangGraph 实现的大语言模型（LLMs）的最常见工作流。
- 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 与之交互。
- LangGraph 模板快速入门：使用模板应用程序开始使用 LangGraph 平台进行构建。
- 使用 LangGraph 云快速部署入门：使用 LangGraph 云部署 LangGraph 应用程序。
用例 🛠️¶
探索针对特定场景量身定制的实际实现方案：
聊天机器人¶
- 客户支持：构建一个用于航班、酒店和汽车租赁的多功能支持机器人。
- 根据用户需求生成提示：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。
检索增强生成（RAG）¶
- 智能体 RAG：使用智能体确定如何检索最相关的信息，然后使用检索到的信息回答用户的问题。
- 自适应 RAG：自适应 RAG 是一种 RAG 策略，它将（1）查询分析与（2）主动/自我纠正的 RAG 相结合。实现方案见：https://arxiv.org/abs/2403.14403
- 对于使用本地大语言模型（LLM）的版本：使用本地大语言模型的自适应 RAG
- 纠正性 RAG：使用大语言模型对从给定来源检索到的信息质量进行评分，如果质量较低，它将尝试从另一个来源检索信息。实现方案见：https://arxiv.org/pdf/2401.15884.pdf
- 对于使用本地大语言模型的版本：使用本地大语言模型的纠正性 RAG
- 自我 RAG：自我 RAG 是一种 RAG 策略，它对检索到的文档和生成结果进行自我反思/自我评分。实现方案见 https://arxiv.org/abs/2310.11511。
- 对于使用本地大语言模型的版本：使用本地大语言模型的自我 RAG
- SQL 智能体：构建一个可以回答关于 SQL 数据库问题的 SQL 智能体。
智能体架构¶
多智能体系统¶
规划智能体¶
反思与批判¶
- 基本反思：提示智能体反思并修改其输出
- 反思机制：批判缺失和多余的细节以指导下一步行动
- 思维树：使用带评分的树搜索问题的候选解决方案
- 语言智能体树搜索：使用反思和奖励来驱动对智能体的蒙特卡罗树搜索
- 自我发现智能体：分析一个了解自身能力的智能体
评估¶
- 基于智能体：通过模拟用户交互来评估聊天机器人
- 在 LangSmith 中：在 LangSmith 中基于对话数据集评估聊天机器人
实验性项目¶
- 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 - 大语言模型：构建丰富、可解释的用户意图分类体系，并使用微软为其必应 Copilot 应用开发的分类系统。
- 网页导航：构建一个可以导航和与网站交互的智能体
- 竞赛编程：构建一个具有少样本“情景记忆”和人机协作功能的智能体，以解决美国计算机奥林匹克竞赛（USA Computing Olympiad）的问题；改编自 Shi、Tang、Narasimhan 和 Yao 的论文 "Can Language Models Solve Olympiad Programming?"。
- 复杂数据提取：构建一个可以使用函数调用执行复杂提取任务的智能体
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：