langgraph

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

背太阳的牧羊人

pop_dialog_state(state: State)弹出对话栈并返回到主助手，让整个对话流程图可以明确追踪对话流，并将控制权委派给特定的子对话图。函数定义与文档字符串初始化消息列表判断是否存在工具调用生成工具消息返回新的对话状态和消息将节点和边添加到对话图中

背太阳的牧羊人

create_react_agent(model, tools) 和 graph_builder.add_conditional_edges 的联系和区别这两者都是在LangGraph 框架下用于构建智能代理（Agent）工作流的，但它们的作用完全不同：通常，你会先用 create_react_agent(model, tools) 创建一个可以调用工具的 AI 代理，然后在 LangGraph 的工作流里用 graph_builder.add_conditional_edges 控制代理的执行流程。

本地大模型编程实战(25)用langgraph实现基于SQL数据构建的问答系统(4)本文将演练使用基于 langgraph 链，对结构化数据库 SQlite 进行查询的方法。该系统建立以后，我们不需要掌握专业的 SQL 技能，可以用自然语言询问有关数据库中数据的问题并返回答案。使大语言模型(LLM) 查询结构化数据与非结构化文本数据有所不同。查询非结构化数据时，通常需要将待查询的文本嵌入到向量数据库中；而查询结构化数据的方法则是让 LLM 编写和执行 DSL（例如 SQL）进行查询。

一根老麻花

LangGraph 源码分析 | BaseTool 模板类BaseTool 是 LangChain 框架中定义 tools 的模板类

汀、人工智能

Langchain[3]:Langchain架构演进与功能扩展：流式事件处理、事件过滤机制、回调传播策略及装饰器应用v0.1: 初始版本，包含基本功能。从0.1~0.2完成的特性：LangChain 的未来发展注意：自 0.2.0 版本起，langchain 不再依赖 langchain-community。langchain-community 将依赖于 langchain-core 和 langchain。

哥不是小萝莉

LangGraph实战前段时间LangChain发布了LangGraph，它引起了很多关注。LangGraph 的主要优势在于它能够实现循环工作流，这对于在 LLM 应用程序中模拟类似代理的行为至关重要。本篇博客，笔者将从介绍 LangGraph 的功能和用例，强调它与典型的有向无环图 (DAG)工作流的区别，并讨论如何构建更具交互性和迭代性的基于 LLM 的系统。换句话说，就是更好的 AI 代理实现。

基于 LlaMA 3 + LangGraph 在windows本地部署大模型（三）基于 LlaMA 3 + LangGraph 在windows本地部署大模型（三）大家继续看 https://lilianweng.github.io/posts/2023-06-23-agent/的文档内容

基于 LlaMA 3 + LangGraph 在windows本地部署大模型（四）基于 LlaMA 3 + LangGraph 在windows本地部署大模型（四）大家继续看 https://lilianweng.github.io/posts/2023-06-23-agent/的文档内容