企业官网建设流程全解析

怎么做网站 ppt,太原小店区最新消息今天,上海市建设信息网官网,网站建设设计官网简介 本文详细介绍了大模型应用开发的两种核心架构#xff1a;基于LangChain的单体Agent实现#xff08;工具定义与记忆功能#xff09;和基于LangGraph的多智能体协作系统#xff08;共享状态、节点定义与路由逻辑#xff09;。通过完整的作家-批评家协作系统代码示例基于LangChain的单体Agent实现工具定义与记忆功能和基于LangGraph的多智能体协作系统共享状态、节点定义与路由逻辑。通过完整的作家-批评家协作系统代码示例展示了从基础工具配置到复杂工作流设计的全流程帮助开发者掌握大模型应用的核心技术架构与实现方法。单体Agent (LangChain基础**)**1. 定义工具 (Perception Tools)后端映射API 接口定义。利用 docstring 生成文档利用 Type Hint 生成参数校验。from langchain.tools import tool tool def get_current_price(symbol: str): 查询加密货币的当前价格。 Args: symbol: 代币代码 (如 BTC, ETH)必须大写。 # Runtime 执行逻辑 (数据清洗) # 只返回关键字段避免 Token 浪费 return {price: 67000, currency: USD}2. 组装与记忆 (Assembly Memory)后端映射依赖注入 Session 管理。from langchain.agents import initialize_agent, AgentType from langchain.memory import ConversationBufferMemory # 1. 记忆模块 (Session) memory ConversationBufferMemory( memory_keychat_history, # 存放在 Prompt 中的变量名 return_messagesTrue # Chat 模型必须设为 True ) # 2. 初始化 Agent agent initialize_agent( tools[get_current_price], llmllm, # 配置好 base_url 的 DeepSeek/OpenAI 对象 agentAgentType.OPENAI_FUNCTIONS, memorymemory, # 注入记忆 verboseTrue # 开启日志观察思考过程 )多智能体协作 (LangGraph)核心逻辑基于图 (Graph)的状态机。通过共享状态 (State) 实现多个 Agent (Nodes) 之间的通信与循环。1. 定义共享状态 (The State)后端映射Redis / 共享内存。所有微服务的通信总线。import operator from typing import Annotated, List, TypedDict from langchain_core.messages import BaseMessage class AgentState(TypedDict): # 关键点operator.add 表示新消息是 append 而不是覆盖 # 这保证了历史记录的完整性 messages: Annotated[List[BaseMessage], operator.add] loop_count: int2. 定义节点 (The Nodes)后端映射微服务 (Microservices)。单一职责输入 State输出 State 更新量。def writer_node(state: AgentState): # 1. 获取上下文 messages state[messages] # 2. 执行业务逻辑 (调用 LLM) response llm.invoke(...) # 3. 返回更新量 (只返回变化的部分) return { messages: [response], loop_count: state.get(loop_count, 0) 1 }3. 构建图与路由 (Graph Routing)后端映射服务编排 / 网关路由。from langgraph.graph import StateGraph, END workflow StateGraph(AgentState) # 添加节点 (注册服务) workflow.add_node(writer, writer_node) workflow.add_node(critic, critic_node) # 确定性边缘 (Writer - Critic) workflow.add_edge(writer, critic) # 条件边缘 (Critic - ? 根据逻辑判断) workflow.add_conditional_edges( critic, # 上游节点 decide_next_step, # 路由函数 (返回 rewrite 或 end) { rewrite: writer, end: END } ) app workflow.compile() # 编译成可执行对象可运行代码import operator from typing import Annotated, List, TypedDict, Union from langchain_openai import ChatOpenAI from langchain_core.messages import SystemMessage, HumanMessage, BaseMessage from langgraph.graph import StateGraph, END # #1. 定义状态(The State)# #这就像是后端服务中的 Context 或 Session 对象# 所有节点(Nodes) 都能读取并修改这个 State class AgentState(TypedDict): #Annotated[List, operator.add] 意味着# 当有节点返回新的 messages 时 不要覆盖旧的 而是 append(追加) 到列表后面 messages: Annotated[List[BaseMessage], operator.add]# 用于记录循环次数 防止死循环 loop_count: int # #2. 初始化大脑(The Brain)# #这里配置 DeepSeek(兼容 OpenAI 协议) deepseek_api_key_v2 test deepseek_api_base https://api.deepseek.com llm ChatOpenAI( model deepseek-chat, #或者 gpt - 4 openai_api_key deepseek_api_key_v2, #替换你的 Key openai_api_base https://api.deepseek.com/v1, temperature 0.7, verbose True ) # #3. 定义节点(Nodes / Agents)# def writer_node(state: AgentState): 作家节点负责生成内容 print(f \n--- [Writer] 正在思考 (轮次: {state.get(loop_count, 0)}) ---) # 获取历史消息 messages state[messages] # 给 Writer 的指令# 修改点 根据是否有历史记录 动态调整 System Prompt loop_count state.get(loop_count, 0) if loop_count 0: #如果不是第一轮 说明被怼了。 加重语气 instruction 你之前的笑话被审核员驳回了。 请仔细阅读审核员 Critic 的反馈意见。 1. 绝对不要重复之前的笑话。 2. 根据反馈进行修改 或者写一个全新的。 3. 目标是让审核员回复 PASS。 else :#第一轮 正常发挥 instruction 你是一个脱口秀编剧。请写一个关于 Python 程序员的短笑话。 system_prompt SystemMessage(content instruction) # 调用 LLM response llm.invoke([system_prompt] messages) print(f [Writer 生成内容]:\n{response.content})# 更新状态 追加消息 并增加计数器 return { messages: [response], loop_count: state.get(loop_count, 0) 1 } def critic_node(state: AgentState): 批评家节点负责审核 print(\n--- [Critic] 正在审核 ---) messages state[messages] last_joke messages[-1].content # 给 Critic 的指令 prompt f 你是一个严厉的批评家。 请点评下面这个笑话 {last_joke} 如果笑话非常幽默 请只回复 PASS。 如果笑话一般或不好笑 请给出修改建议 并要求重写。 response llm.invoke([HumanMessage(content prompt)]) print(f [Critic 审核意见]:\n{response.content}) return { messages: [response] } # #4. 定义边缘逻辑(Edges / Routing)# def decide_next_step(state: AgentState) - str: 路由函数决定下一步去哪里 messages state[messages] last_message messages[-1].content loop_count state.get(loop_count, 0) # 兜底机制 如果尝试超过3次 强制结束(防止无限死循环) if loop_count 5: print(\n--- [System] 尝试次数过多强制结束 ---) return end # 核心判断逻辑 clean_msg last_message.strip().upper() # 如果 LLM 真的很听话 只回了 PASS if clean_msg PASS: print(\n--- [System] 审核通过 ---) return end # 或者稍微宽容一点 如果它说了 PASS 且总字数少于 10 个字符 说明没有长篇大论的批评 if PASS in clean_msg and len(clean_msg) 10: print(\n--- [System] 审核通过 ---) return end print(\n--- [System] 审核不通过打回重写 ---) return rewrite # #5. 组装图(Graph Assembly)# #初始化图 传入状态类型 workflow StateGraph(AgentState) # 添加节点 workflow.add_node(writer, writer_node) workflow.add_node(critic, critic_node) # 定义流程# 入口 - Writer workflow.set_entry_point(writer) # Writer - Critic(无条件流转) workflow.add_edge(writer, critic) # Critic - ? (条件流转) workflow.add_conditional_edges( critic, #从哪个节点开始判断 decide_next_step, #运行哪个判断函数 { # 映射关系 函数返回值 - 下一个节点名 rewrite: writer, #如果返回 rewrite 回到 writer end: END# 如果返回 end 结束流程 } ) # 编译图(这也像编译代码一样 把它变成可执行对象) app workflow.compile() # #6. 运行(Execution)# print( 启动 LangGraph工作流...) inputs { messages: [HumanMessage(content 开始工作)], loop_count: 0 } # stream 模式可以看到每一步的输出 for output in app.stream(inputs): #这里只是为了让主进程挂起等待 具体的打印已经在节点函数里做了 passAI大模型从0到精通全套学习大礼包我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。只要你是真心想学AI大模型我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来我也真心希望帮助大家学好这门技术如果日后有什么学习上的问题欢迎找我交流有技术上面的问题我是很愿意去帮助大家的如果你也想通过学大模型技术去帮助就业和转行可以扫描下方链接大模型重磅福利入门进阶全套104G学习资源包免费分享01.从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点​02.AI大模型学习路线图还有视频解说全过程AI大模型学习路线​03.学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的04.大模型面试题目详解05.这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】