🦜🕸️ LangGraph：Multi-Agent 实战 🤖🤖🤖

twototoo222:
借贵地宣传一下我的开源agent框架，希望up不要介意（介意可删）。之前一直是自己用的，没敢碰瓷各大agent框架，就没宣传。最近看到讲langgraph的视频（就是up的啦），就在下面说了一下，没想到还有人去给我点赞，还让写文档，于是就写了一下教程文档。写完后觉得文档都写了，不宣传一下不是白写了吗，所以就宣传一次吧。 agere是一个主打通用性和可定制性的轻量级agent框架，无第三方依赖。它帮助你简化定义复杂agent的逻辑流程，不会帮你写很多具体的逻辑，而是主要是用于流程驱动，这意味着它有很强的可定制性，可以实现完全的自定义逻辑。在简化流程的同时，也为未来的修改和拓展带来便利。如果你有兴趣，可以看一下哦。 项目地址：https://github.com/happyapplehorse/agere 中文版快速开始教程： 【开源AI agent框架agere教程-哔哩哔哩】 https://b23.tv/RQoW36y

【回复】是命令行代码操作，还是有用户界面的？[doge]
【回复】回复 @沧海九粟 :谢谢[呲牙]
yyDONO:
请问langgraph对解析用户输入后需要多轮对话进一步确定的场景友好吗？ 我目前遇到的场景是用户的问题需要经过几步思考，每一步都需要跟用户多轮对话来得到思考结果。现在想做每一步都是一个agent去负责思考和提出问题，根据用户回答继续思考，直到得到最终结果。想问下这种场景langgraph的支持怎么样？

【回复】回复 @yyDONO : 您的这个场景很棒啊，按您的描述，我觉得整个流程是合理的呀，唯一疑惑是「这一遍中的中间thought action的消息不会存储」这块为何不存储，一方面重新执行这部分token量累积起来不小，二是这块数据用Memory承接下来接一个持久化存储再通过Memory的总结或者索引能力，应该可以再“重新走一遍流程”的过程中发挥作用，普通的对话场景也主要是叠加Memory来保障脱离/返回对话的连续性，这块您目前有尝试吗
【回复】回复 @yyDONO :好问题诶，您可以先看一下 human-in-the-loop 的例子作为参考，有简单要求人input的步骤：https://github.com/langchain-ai/langgraph/blob/main/examples/chat_agent_executor_with_function_calling/human-in-the-loop.ipynb
【回复】回复 @2000幻想型试验体 :目前还没有（平时比较忙没发维护），博文视点这边做了一个读者群，可能先从那边开始和大家交流；如果可以邀请我后面邀请大家
holahola_chan:
去吧，AI铁人大军 @机器工具人 识别音乐 @有趣的程序员 总结一下 @AI视频小助理 总结一下 @课代表猫 总结一下 @AI课代表呀 总结一下 @木几萌Moe 总结一下 @星崽丨StarZai 总结内容 @星崽丨StarZai 提取图片 @AI沈阳美食家 笑点解析

【回复】【内容总结】 本视频介绍了LangGraph的多Agent实战应用。官方博客提供了三个例子，展示了如何使用LangGraph构建多Agent工作流。这些例子涵盖了Agent Supervisor、Agent Router和Call To Agent等不同类型的Agent。LangGraph是一个强大的多代理工作流框架，可以帮助开发者简化复杂代理的开发和管理。 【时间线】 - 00:00 - 视频介绍LangGraph的多Agent实战应用 - 00:18 - 官方发布了MotiAgent Workflows博客，介绍了多Agent工作流的例子 - 01:07 - 介绍了三个例子：Agent Supervisor、Agent Router和Call To Agent - 07:28 - Agent Supervisor负责分配任务，调用其他Agent完成任务 - 09:53 - Agent Router根据输入的问题决定将任务路由给哪个Agent - 13:58 - Call To Agent执行具体任务，通过调用工具函数来完成任务 - 18:38 - Agent之间通过边连接起来，形成一个Agent网络，共享状态完成任务 - 21:09 - 视频介绍了在LangGraph中构建代理工作流的重要性 - 21:36 - 演示了使用LangGraph构建代理的基本步骤 - 22:15 - 展示了一个简单的路由器示例，演示了如何根据条件将数据发送到不同的节点 - 23:31 - 演示了一个包含监督员的复杂图示例，展示了如何根据不同的条件进行状态迁移 - 26:35 - 介绍了LangGraph的优势，包括可观测性和可扩展性 - 30:37 - 官方提供了LangGraph的YouTube教程和第三方应用的链接 - 31:58 - 讨论了LangGraph与AutoG的区别，强调了LangGraph基于连线的优势 - 35:19 - 介绍了使用Group Chat Manager 内容由AI自动生成, 仅供参考~ @holahola_chan 触发了视频总结和听歌识曲
lsefeijlsf:
关于supervisor_chain的定义，视频中用的是openai的bind_functions方法，我现在大模型用的是阿里通义千问，没有bind_functions方法。请问up主，如何不用bind_functions实现supervisor_chain的定义？

【回复】OpenAI tools（原functions）的核心是非常帮的一个推理＋JSON格式输出的方式，如果其它模型，JSON输出就要（用提示词）自己做了，或者用LC里面常用的Pydantic输出JSON Schema放到提示词里面来强化输出格式，大致就是这个思路供参考
Kuma_Hikaru:
不晓得和开源模型的结合度如何，还是很关注这个的

【回复】agent里面按需使用langchain model即可，比如如果是负责写作的完全可以引入llm类型的开源模型
Bugnuke:
给chatgpt发二位数组还是发json的格式数据好一点？

【回复】回复 @Bugnuke :您指给模型的提示词的话大部分都是 JSON 更好，但像 Claude 是面向 XML 优化
还是一只豆:
估计今年[2024]春节就是 猛补刷你的视频啦～ 昨天搜 LangGraph 时候偶尔发现的，幸会幸会！ and 期待你下期讲 CrewAI 啊，是不是顺便预测下 LangChain 下一步怎么（像 AutoGen 那样）在“Supervisor”这个点搞些事情～～

【回复】回复 @还是一只豆 :再次感谢支持！窃以为差不多就是您理解的这样，以前的 Chain 官方说了全部要用 LCEL 重写（现在已经提供了很多函数调用替换，这样直接看源码就可以自己改写），Agent 后面就应该主打 LangGraph 了（但我感觉应该还需要一定时间来发展完善让它更易用
【回复】回复 @还是一只豆 :1）不是，langgraph是一个单独项目，定位是做自定义业务逻辑的 agent 框架，langchain 软件包是主要做 off-the-shelf chain/agent 以及高阶 RAG 流程算法的，它会使用 core 里面的 LCEL 和各种 community 包里面的各种集成组件；2）core 主要就是各种基础数据结构和 LCEL，好处是像 CrewAI 这种可以基于这层做，那么更多这种类库以后可以基于 core 做互联互通
【回复】回复 @沧海九粟 :两个困惑还请您指教：第一， 0.1那个架构图里面的langchain部分是不是快要换成 langgraph了？老是感觉整体架构中这块怪怪的。第二，对langchain core这个core的定义逻辑还是很模糊 。不能很清晰感受官方是怎么定义core的…
kugunn:
为什么call_tool也有一个连接到researcher的线？

【回复】这个图（只能说这个图）虚线是router路由函数的路由结果，实线是连接各个node的edge
【回复】回复 @沧海九粟 :请问你知道图中的虚线和实线的区别吗? 我感觉chart_generator 不就是一种call tool吗，还是说因为chart_generator是可以自由写代码，call tool只能call现有的function？
【回复】回复 @kugunn :返回 tool 执行的结果 —— researcher node 直接拿 state 里面更新的数据去执行自己的 agent 逻辑操作