网站流量方案查域名地址

网站流量方案,查域名地址,移动互联网开发的前景,分销系统多少钱一套搭建测试环境 LangSmith langsmith是一个官方的测试环境#xff0c;可以帮助我们测试智能体#xff0c;在开发智能体时很有用: # Python 3.11 is required.uv add langgraph-cli然后你需要注册一个langsmith官方账号来获得密钥#xff0c;这里我们可以只使用它的本地…搭建测试环境LangSmithlangsmith是一个官方的测试环境可以帮助我们测试智能体在开发智能体时很有用:# Python 3.11 is required. uv add langgraph-cli然后你需要注册一个langsmith官方账号来获得密钥这里我们可以只使用它的本地功能而是从github上下载一个前端来部署(也就是不把项目交付给langGraph官方服务器跑测试因为要挂梯子麻烦不安全)先完成以下步骤:创建 LangGraph 配置文件在项目根目录下创建langgraph.json文件agent路径可自由更改主要看你的智能体在哪里{dependencies:[.],graphs:{agent:./src/agent.py:agent},env:.env}启动本地的 Agent 服务器langgraph dev CtrlC关闭LangGraph安装uv add langgraph IPython状态State状态展示了图的配置并随跟踪时间变化作为所有节点和边的输入和输出classState(TypedDict): 定义一个类型化的字典类用于表示状态信息。 这个类继承自TypedDict提供了静态类型检查的支持 确保字典中必须包含指定类型的键值对。 属性: state (str): 表示状态的字符串值 state:str节点State节点是一个python函数函数的第一个参数是State(状态)# 节点defnode_1(state):print(节点1执行中...)return{state:state[state]-节点1}defnode_2(state):print(节点2执行中...)return{state:state[state]-节点2}defnode_3(state):print(节点3执行中...)return{state:state[state]-节点3}defnode_4(state):print(节点4执行中...)return{state:state[state]-节点4}边Edges边代表两个节点的连接定义它们之间的关系有普通边和条件边普通边:总是按照既定路径执行条件边:节点之间的可选路径基于函数逻辑返回下一个节点# 边defget_random_edge(state)-Literal[node2,node3]: 获取一个随机的边。 返回: str: 随机的边名称 current_statestate[state]ifrandom.random()0.5:returnnode2else:returnnode3构建图importosimporttempfilefromlanggraph.constantsimportSTART,ENDfromlanggraph.graphimportStateGraphfromIPython.displayimportImage,displayfromsrc.node_and_edgeimportnode_1,node_2,node_3,node_4,get_random_edge,State# 生成图构建器builderStateGraph(State)builder.add_node(node1,node_1)builder.add_node(node2,node_2)builder.add_node(node3,node_3)builder.add_node(node4,node_4)# 定义边builder.add_edge(START,node1)builder.add_conditional_edges(node1,get_random_edge)builder.add_edge(node2,node4)builder.add_edge(node3,node4)builder.add_edge(node4,END)# 编译图graphbuilder.compile()# 可视化# 获取 PNG 数据png_datagraph.get_graph().draw_mermaid_png()# 保存到临时文件并打开withtempfile.NamedTemporaryFile(deleteFalse,suffix.png)astmp:tmp.write(png_data)tmp_pathtmp.name# 用默认图片查看器打开Windowsos.startfile(tmp_path)resultgraph.invoke({state:你好你能干什么})完整示例:消息消息是 LangChain 中模型上下文的基本单位。它们代表模型的输入和输出携带内容和元数据用于在与 LLM 交互时表示对话状态。消息是包含以下内容的对象角色- 标识消息类型例如system、user内容- 表示消息的实际内容例如文本、图像、音频、文档等元数据- 可选字段例如响应信息、消息 ID 和令牌使用情况LangChain 提供了一种标准消息类型可在所有模型提供商之间工作确保无论调用哪个模型都能保持一致的行为。消息的分类系统消息 - 告诉模型如何行为并为交互提供上下文人类消息 - 表示用户输入和与模型的交互它们可以包含文本、图像、音频、文件以及任何其他多模态内容AI 消息 - 模型生成的响应包括文本内容、工具调用和元数据usage_metadata:该字段中保存令牌计数和其他使用元数据fromlangchain.chat_modelsimportinit_chat_model modelinit_chat_model(openai:gpt-5-nano)responsemodel.invoke(Hello!)response.usage_metadata---------------------------------------------------------------------{input_tokens:8,output_tokens:304,total_tokens:312,input_token_details:{audio:0,cache_read:0},output_token_details:{audio:0,reasoning:256}}流式传输和块:chunks[]full_messageNoneforchunkinmodel.stream(Hi):chunks.append(chunk)print(chunk.text)full_messagechunkiffull_messageisNoneelsefull_messagechunk工具消息 - 表示工具调用的输出fromlangchain.messagesimportSystemMessage,HumanMessage,AIMessage#一个消息对象列表messages[# 系统消息SystemMessage(You are a poetry expert),# 人类消息HumanMessage(Write a haiku about spring),# ai消息AIMessage(Cherry blossoms bloom...)]responsemodel.invoke(messages)工具智能体如何被大模型调用?工具是代理agents调用来执行操作的组件。它们通过允许模型通过定义明确的输入和输出与世界交互来扩展模型的功能。工具封装了一个可调用的函数及其输入架构schema。这些可以传递给兼容的聊天模型chat models让模型决定是否以及使用什么参数来调用工具。在这些场景中工具调用使模型能够生成符合指定输入架构的请求。服务器端工具使用 (Server-side tool use)某些聊天模型例如OpenAI、Anthropic和Gemini具有内置工具这些工具在服务器端执行例如网络搜索和代码解释器。请参阅提供商概览provider overview了解如何使用您的特定聊天模型访问这些工具。也就是说langchain的工具就是一个被封装的函数模型可以自主调用这些函数创建工具创建工具最简单的方法是使用tool装饰器。默认情况下函数的文档字符串docstring会成为工具的描述帮助模型理解何时使用它fromlangchain.toolsimporttooltool(parse_docstringTrue)deffunction_name(param1,param2):Function summary line. 简单描述该函数或方法的功能 Args: param1 (int): The first parameter. param2 (str): The second parameter. Returns: bool: The return value. True for success, False otherwise. Raises: 这里提供了可能会碰到的报错非必要可不写 ValueError: If param1 is equal to param2. 更多请查阅官方文档:工具 | LangChain 中文文档智能体如何知道使用哪个工具?如果你使用了coogle风格注释那么工具描述信息将成为智能体调用的依据传递消息使用llm时我们需要在节点间传递消息因此消息成为状态的一部分我们来看官方库的实现:from langgraph.graph import MessagesState:classMessagesState(TypedDict):messages:Annotated[list[AnyMessage],add_messages]以上就是一个经典的消息实体使用Annotated和add_messages来自动追加消息消息实体被用于图信息的传输作为各个节点的参数被接收比如以下就是一个小实例:fromIPython.displayimportImage,displayfromlangchain_core.messagesimportHumanMessage,ToolMessagefromlanggraph.graphimportStateGraph,START,END,MessagesStatefromlangchain_core.toolsimporttoolfromsrc.agent.llmimportmodelfromsrc.utils.show_graphimportshow_graph# 定义一个工具函数乘法运算tooldefmultiply_values(a,b): 将两个值相乘并返回结果。 Args: a (float): 第一个值。 b (float): 第二个值。 Result: float: a和b的乘积。 returna*b# 将工具绑定到LLMllm_toolsmodel.bind_tools([multiply_values])# 定义节点带工具的LLMdefllm_with_tools(state:MessagesState):return{messages:[llm_tools.invoke(state[messages])]}# 定义工具执行节点defrun_tool(state:MessagesState):# 获取最后一条消息应为包含 tool_calls 的 AIMessagelast_msgstate[messages][-1]# 遍历所有 tool_calls这里只处理第一个或全部tool_messages[]fortool_callinlast_msg.tool_calls:# 根据工具名称选择工具这里只有 multiply_valuesiftool_call[name]multiply_values:# 执行工具resultmultiply_values.invoke(tool_call[args])else:resultfTool {tool_call[name]} not found.# 构造 ToolMessage每个 tool_call 对应一个 ToolMessagetool_messages.append(ToolMessage(contentstr(result),# 工具执行结果tool_call_idtool_call[id]# 对应的调用 ID))return{messages:tool_messages}# 构建图builderStateGraph(MessagesState)builder.add_node(llm_with_tools,llm_with_tools)# 添加节点builder.add_node(run_tool,run_tool)# 添加调用工具节点builder.add_edge(START,llm_with_tools)# 从START到llm_with_tools的边builder.add_edge(llm_with_tools,run_tool)builder.add_edge(run_tool,END)graphbuilder.compile()# 编译图# 可视化图show_graph(graph)# 调用图并传入乘法问题messagesgraph.invoke({messages:HumanMessage(content200乘以30等于几)})# 打印所有消息forminmessages[messages]:m.pretty_print()构建的图如下:其中MessagesState作为消息实体在边上进行传输。 Human Message 200乘以30等于几 Ai Message Tool Calls: multiply_values (call_af5391669c3d4a569c2987) Call ID: call_af5391669c3d4a569c2987 Args: a: 200 b: 30 Tool Message 6000下一节:路由器及实战end