国产网站免费视频,伊人久久久综在合线久久在播,日韩欧美中文在线

一、簡(jiǎn)介

LangGraph是LangChain、LangServe和LangSmith系列的最新成員，旨在使用LLM構(gòu)建生成式人工智能應(yīng)用程序。請(qǐng)記住，所有這些都是獨(dú)立的包，必須單獨(dú)進(jìn)行pip安裝。

在深入學(xué)習(xí)LangGraph之前，需要了解LangChain的兩個(gè)主要概念。

1. 鏈：圍繞LLM編寫的程序，用于執(zhí)行任務(wù)，例如自動(dòng)SQL編寫或NER提取鏈等。請(qǐng)注意，鏈不能用于任何其他任務(wù)（甚至不能用于一般用例），如果嘗試這樣做，可能會(huì)損壞鏈。鏈中要遵循的步驟是預(yù)定義的，不可靈活調(diào)整。

2. 代理：鏈的更加靈活版本，代理通常是啟用第三方工具（例如谷歌搜索、YouTube）的LLM，由LLM本身決定下一步如何解決給定的查詢。

現(xiàn)在，當(dāng)處理現(xiàn)實(shí)世界的問題時(shí)，一個(gè)常見的問題是希望找到介于鏈和代理之間的解決方案。即不像鏈那樣硬編碼，但也不像代理那樣完全由LLM驅(qū)動(dòng)。

二、LangGraph

LangGraph是以LangChain為核心，用于創(chuàng)建工作流程中的循環(huán)圖的工具。因此，我們假設(shè)以下示例：

你希望在知識(shí)庫上搭建一個(gè)基于RAG的檢索系統(tǒng)。現(xiàn)在，你希望引入這樣一種情況：如果RAG的輸出未滿足特定質(zhì)量要求，代理/鏈應(yīng)該再次檢索數(shù)據(jù)，但這次是自行更改提示。并且重復(fù)此過程，直到達(dá)到質(zhì)量閾值為止。

使用LangGraph可以實(shí)現(xiàn)這種循環(huán)邏輯。這只是一個(gè)示例，使用LangGraph還可以做更多事情。

注：可以將其視為向鏈中引入循環(huán)邏輯，使其成為循環(huán)鏈。

LangGraph對(duì)于構(gòu)建Autogen或MetaGPT等多代理應(yīng)用程序至關(guān)重要。

顧名思義，LangGraph具有一般圖形所具有的所有組件，例如節(jié)點(diǎn)、邊等，接下來通過一個(gè)示例來了解。

三、使用LangGraph改善RAG

在此示例中，希望將RAG系統(tǒng)在數(shù)據(jù)庫中的最終輸出減少到不超過30個(gè)字符。如果輸出長度大于30個(gè)字符，則希望引入循環(huán)，使用不同的提示再次嘗試，直到長度小于30個(gè)字符為止。這是一個(gè)演示目的的基本邏輯。你甚至可以實(shí)現(xiàn)復(fù)雜的邏輯來改善RAG結(jié)果。

我們將創(chuàng)建的圖形如下所示。

此處使用的版本為 langchain===0.0.349， openai===1.3.8， langgraph===0.0.26。

3.1 首先，讓我們導(dǎo)入重要的內(nèi)容并初始化LLM。這里使用的是OpenAI API，但你也可以使用其他LLM。

from typing import Dict, TypedDict, Optional

from langgraph.graph import StateGraph, END

from langchain.vectorstores import Chroma

from langchain.chains import RetrievalQA

from langchain.llms import OpenAI

from langchain.embeddings.openai import OpenAIEmbeddings



llm = OpenAI(openai_api_key='your API')

接下來，我們將定義一個(gè)StateGraph。

class GraphState(TypedDict):

    question: Optional[str] = None

    classification: Optional[str] = None

    response: Optional[str] = None

    length: Optional[int] = None

    greeting: Optional[str] = None



workflow = StateGraph(GraphState)

什么是StateGraph？

StateGraph是任何LangGraph流程的核心，它存儲(chǔ)了在執(zhí)行工作流程時(shí)我們將存儲(chǔ)的各種變量的狀態(tài)。在本例中，我們有5個(gè)變量，其值在執(zhí)行圖形時(shí)將進(jìn)行更新，并將與所有邊和節(jié)點(diǎn)共享。

3.2 接下來，讓我們從現(xiàn)有向量數(shù)據(jù)庫中初始化一個(gè)RAG檢索鏈。代碼已在以下視頻中進(jìn)行了解釋。

def retriever_qa_creation():

        embeddings = OpenAIEmbeddings()

        db = Chroma(embedding_function=embeddings,persist_directory='/database',collection_name='details')

        qa = RetrievalQA.from_chain_type(llm=llm, chain_type="stuff", retriever=db.as_retriever())

        return qa



rag_chain = retriever_qa_creation()

3.3 接下來，我們將向該圖形添加節(jié)點(diǎn)。

def classify(question):

    return llm("classify intent of given input as greeting or not_greeting. Output just the class.Input:{}".format(question)).strip()



def classify_input_node(state):

    question = state.get('question', '').strip()

    classification = classify(question) 

    return {"classification": classification}



def handle_greeting_node(state):

    return {"greeting": "Hello! How can I help you today?"}



def handle_RAG(state):

    question = state.get('question', '').strip()

    prompt = question

    if state.get("length")<30:

         search_result = rag_chain.run(prompt)

    else:

         search_result = rag_chain.run(prompt+'. Return total count only.')



    return {"response": search_result,"length":len(search_result)}



def bye(state):

    return{"greeting":"The graph has finished"}



workflow.add_node("classify_input", classify_input_node)

workflow.add_node("handle_greeting", handle_greeting_node)

workflow.add_node("handle_RAG", handle_RAG)

workflow.add_node("bye", bye)

這需要一些解釋。

每個(gè)節(jié)點(diǎn)都是一個(gè)Python函數(shù)，它可以：

①讀取任何狀態(tài)變量。

②更新任何狀態(tài)變量。在這種情況下，每個(gè)節(jié)點(diǎn)的返回函數(shù)都會(huì)更新某個(gè)或某些狀態(tài)變量的狀態(tài)/值。

使用state.get()來讀取任何狀態(tài)變量。
handle_RAG節(jié)點(diǎn)可以幫助我們實(shí)現(xiàn)我們希望的循環(huán)自定義邏輯。如果輸出的長度<30，則使用提示符A；否則使用提示符B。對(duì)于第一種情況（當(dāng)RAG節(jié)點(diǎn)尚未執(zhí)行時(shí)），我們將傳遞length=0，并提供一個(gè)提示。

3.4 接下來，我們將添加入口點(diǎn)和邊緣。

workflow.set_entry_point("classify_input")

workflow.add_edge('handle_greeting', END)

workflow.add_edge('bye', END)

在上述的代碼片段中，

我們向圖中添加了一個(gè)入口點(diǎn)，即無論輸入提示是什么，都會(huì)執(zhí)行的第一個(gè)節(jié)點(diǎn)函數(shù)。
A節(jié)點(diǎn)和B節(jié)點(diǎn)之間的邊界定義了在節(jié)點(diǎn)A之后執(zhí)行節(jié)點(diǎn)B。在這種情況下，如果在我們的工作流中出現(xiàn)了handle_greeting或bye，則圖形應(yīng)該END（一個(gè)特殊的節(jié)點(diǎn)來終止工作流）。

3.5 接下來，讓我們添加條件邊界。

def decide_next_node(state):

    return "handle_greeting" if state.get('classification') == "greeting" else "handle_RAG"



def check_RAG_length(state):

    return "handle_RAG" if state.get("length")>30 else "bye"



workflow.add_conditional_edges(

    "classify_input",

    decide_next_node,

    {

        "handle_greeting": "handle_greeting",

        "handle_RAG": "handle_RAG"

    }

)



workflow.add_conditional_edges(

    "handle_RAG",

    check_RAG_length,

    {

        "bye": "bye",

        "handle_RAG": "handle_RAG"

    }

)

條件邊界可根據(jù)條件（例如if-else）在兩個(gè)節(jié)點(diǎn)之間進(jìn)行選擇。在創(chuàng)建的兩個(gè)條件邊界中：

第一個(gè)條件邊界

當(dāng)遇到classify_input時(shí)，根據(jù)decide_next_node函數(shù)的輸出選擇handle_greeting或handle_RAG。

第二個(gè)條件邊界

如果遇到handle_RAG，則根據(jù)check_RAG_length條件選擇handle_RAG或bye。

3.6 編譯并調(diào)用提示。初始時(shí)保持`length`變量設(shè)置為0。

app = workflow.compile()

app.invoke({'question':'Mehul developed which projects?','length':0})

# 輸出

{'question': 'Mehul developed which projects?',

 'classification': 'not_greeting',

 'response': ' 4',

 'length': 2,

 'greeting': 'The graph has finished'}

對(duì)于上述提示，圖形流程如下所示：

classify_input: 情感將為not_greeting。

由于第一個(gè)條件邊界，移至handle_RAG。

由于length=0，使用第一個(gè)提示并檢索答案（總長度將大于30）。

由于第二個(gè)條件邊界，再次移至handle_RAG。

由于length>30，使用第二個(gè)提示符。

由于第二個(gè)條件邊界，移至bye。

END。

如果沒有使用LangGraph：

rag_chain.run("Mehul developed which projects?")



# 輸出

"Mehul developed projects like ABC, XYZ, QWERTY. Not only these, he has major contribution in many other projects as well at OOO organization"

3.7 下一個(gè)輸入。

app.invoke({'question':'Hello bot','length':0})



# 輸出

{'question': 'Hello bot',

 'classification': 'greeting',

 'response': None,

 'length': 0,

 'greeting': 'Hello! How can I help you today?'}

這里的流程會(huì)更簡(jiǎn)單。

classify_input: 情感將為greeting。

由于第一個(gè)條件邊界，移至handle_greeting。

END。

雖然我在這里應(yīng)用的條件相當(dāng)簡(jiǎn)單，但通過添加更復(fù)雜的條件，這個(gè)框架可以很容易地用于改進(jìn)你的結(jié)果。

本文章轉(zhuǎn)載微信公眾號(hào)@Python學(xué)研大本營