langgraph

weixin_43807749

langchain官网翻译：Build a Question/Answering system over SQL data本文翻译自langchain官网：https://python.langchain.com/docs/tutorials/sql_qa/

构建AI智能体：五十七、LangGraph + Gradio：构建可视化AI工作流的趣味指南相信我们身边或多或少总是听到很多人在说大模型大模型，可大模型具体怎么用还是一道很深的门槛，我们博文也写了很多，但具体的用法和作用，使我们还面临着一个有趣的矛盾：大模型的能力越来越强，但真正能让普通用户直接使用的AI应用却少之又少。今天，我想分享我们如何用LangGraph和Gradio构建一个可视化、可配置的AI工作流系统，让非技术用户也能轻松组合各种AI能力。

从“链”到“图”：LangGraph如何终结LangChain的线性智能体LangChain在构建简单智能体方面的强大能力，但是，当面临更复杂的任务时，LangChain开始显露出一些局限性。

【LangGraph】ReAct构建-LangGraph简单实现本文将带你从零开始，使用 LangGraph 构建一个经典的 ReAct（Reason + Act）智能体。你将掌握如何自定义状态、节点、工具调用逻辑与控制流，真正理解智能体背后的运行机制。

机器学习、深度学习卷积神经网络（CNN）vs. 循环神经网络（RNN）vs. Transformer一文带你搞懂 AI Agent 开发利器：LangGraph 与 LangChain 区别

使用langgraph创建工作流系列4：人机回环到目前为止chatbot的工作流都是用户输入后等待应答，但有些情况下需要人工干预：1）因为大模型本身不是可靠的，基于大模型的智能体也是不可靠的，需要人工输入以完成符合要求的任务

花酒锄作田

【LangGraph】Human-in-the-loop示例之人工干预shell命令执行看langgraph官方文档感觉human in the loop貌似还挺简单的，但实际上手时，那文档看得我云里雾里的。更详细的Guides和Reference，恕我能力有限，悲摧的也没看懂。作为试验，我想做一个功能：本地执行shell命令，每次执行前都要用户确认。左看官方文档，右去西天请ChatGPT老祖。ChatGPT说得头头是道，Copilot也反复调试，但就是不能用。就这。。。看来碰到新东西AI就十分拉胯。最终，认真看了半天文档，没借助GPT，总算捣鼓出来一个最简版。

LLM——使用 LangGraph 构建 ReAct 智能体：多轮对话 + 工具调用 + 可视化流程图本文将带大家构建一个具有 ReAct 能力（Reasoning + Acting）的多轮智能体，同时集成 LangChain 工具调用、OpenAI 或通义千问大模型、LangGraph 状态流程管理，并输出流程图，适用于旅行规划、业务辅助、智能客服等多种场景（文末附项目完整代码）。

LangGraph智能体（天气和新闻助手）开发与部署

LangChain和LangGraph 里面的 `create_react_agent`有什么不同这两个函数虽然名称相同，但来自不同的库（LangChain 和 LangGraph），它们在实现和使用上有一些关键区别：

基于LangGraph Cli的智能数据分析助手

ReAct Agent（LangGraph实现）================================ Human Message =================================

从零搭建智能搜索代理：LangGraph + 实时搜索 + PDF导出完整项目实战传统的AI聊天系统往往局限于预训练数据的知识范围，无法获取实时信息。本文将详细阐述如何构建一个基于LangGraph的智能代理系统，该系统能够智能判断何时需要进行网络搜索、有效维护对话上下文，并具备将对话内容导出为PDF文档的功能。

Bug改不动了

LangGraph基础知识(MemorySaver/SqliteSaver )（三）不论是简单还是复杂的图，一个明显的限制是：之前内容中的所有实现都只能执行单一任务。也就是说，一旦图被编译并根据用户的输入运行以后，它虽然可以按照既定的图流程输出结果，但在下一次交互时，这个图将无法记住之前的对话内容。我们可以通过以下代码进行测试，观察这一现象：

热情的Dongming

【项目实战】通过多模态+LangGraph实现PPT生成助手基于LangGraph的PPT自动生成系统，可以将Markdown文档自动转换为PPT演示文稿。通过多模态+Agent实现的PPT辅助编辑助手演示视频

LangGraph(四)——加入人机交互控制智能体可能不可靠，甚至需要人工输入才能完成任务。同样，对于某些操作，你可能需要在运行前获得人工批准，以保证一切按预期运行。 LangGraph的持久层支持人机交互工作流，允许根据用户反馈暂停和恢复执行。此功能的主要接口是interrupt函数。在节点内部调用Interrupt将暂停执行。可以通过传入command来interrupt执行，并接收新的人工输入。interrupt在人机工程学上类似于Python的内置input()，但也有一些注意事项。

本地大模型编程实战(28)查询图数据库NEO4J(1)本文将基于langchain 框架，用LLM(大语言模型)查询图数据库NEO4J。使用 qwen2.5 做实验，用 llama3.1 查不出内容。

花开终为谢

LangGraph异步化sqlite checkpoint异步checkpiont初始化：如果使用异步流式应对，需要确保llm节点或者相关节点也转成异步化操作最后的完整代码如下：

14-Hugging Face 模型微调训练（基于 BERT 的中文评价情感分析（二分类））使用 datasets 库，你可以轻松列出所有 Hugging Face 平台上的数据集：你可以通过 load_dataset 方法加载任何数据集：

学不会lostfound

五、AIGC大模型_09手动实现ReAct_Agent在上一章节中，我们了解到：create_react_agent 是 LangGraph 提供的一个预构建方法（from langgraph.prebuilt import create_react_agent），它可以将语言模型（LLM）和一组工具（Tools）结合起来，创建一个能够根据用户输入自动调用工具的智能代理，这个代理可以根据用户的请求，决定是否需要调用某个工具，并将工具的输出反馈给用户