教程¶
刚刚接触LangGraph或LLM应用程序开发？阅读这些材料，开始构建您的第一个应用程序。
快速开始 🚀¶
- LangGraph 快速入门: 构建一个聊天机器人，该机器人可以使用工具并记录对话历史。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LLM的最常见工作流概述。
- LangGraph Server 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 模板快速入门: 使用模板应用程序开始使用LangGraph平台构建。
- 使用LangGraph Cloud 快速部署: 使用LangGraph Cloud部署LangGraph应用程序。
使用案例 🛠️¶
探索针对特定场景的实用实现：
聊天机器人¶
RAG¶
- 代理RAG：使用代理来确定如何检索最相关的信息，然后使用检索到的信息来回答用户的问题。
- 自适应RAG：自适应RAG是一种RAG策略，结合了（1）查询分析与（2）主动/自我纠正的RAG。实现：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RAG：使用LLM对从给定源检索到的信息质量进行评分，如果质量低，则尝试从另一个源检索信息。实现：https://arxiv.org/pdf/ Yöntem: 2401.15884.pdf
- 使用本地LLM的版本：使用本地LLM的纠正RAG
- 自我RAG：自我RAG是一种RAG策略，包含对检索到的文档和生成进行自我反思/自我评分。实现：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：构建一个可以回答关于SQL数据库的问题的SQL代理。
代理架构¶
多代理系统¶
规划代理¶
反思与批评¶
- 基本反思：提示代理反思并修改其输出。
- 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：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系统，使用微软为他们的Bing Copilot应用程序开发的分类系统。
- 网页导航：构建一个能够导航和交互网站的代理。
- 竞争性编程：构建一个具有少量“片段记忆”和人机协作的代理，以解决美国计算机奥林匹克的问题；改编自Shi, Tang, Narasimhan和Yao的"语言模型能否解决奥林匹克编程问题？"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 🧱¶
认证与访问控制¶
在以下三部分指南中，为现有的 LangGraph 平台部署添加自定义认证和授权：