Mulit-Agent协作_toolnode-CSDN博客

介绍
创建Agent
工具定义
创建graph
调用
reference

介绍

单个Agent通常可以在单个域内使用少量工具有效地运行，但即使是使用像 gpt-4 这样强大的模型，它在使用许多工具时也可能效率较低。

处理复杂任务的一种方法是通过“分而治之”的方法：为每个任务或域创建一个专门的Agent，并将任务route给正确的“专家”。

这篇论文（受到论文：AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation 的启发）展示了使用 LangGraph 实现此目的的一种方法。

生成的图表将类似于下图：
在这里插入图片描述
在我们开始之前，请快速注意：本论文和其他Multi-Agent笔记旨在展示如何在LangGraph中实现某些设计模式。如果该模式适合您的需求，我们建议将其与文档中其他地方描述的一些其他基本模式相结合，以获得最佳性能。

# pip install -U langchain langchain_openai langsmith pandas langchain_experimental matplotlib langgraph langchain_core
import getpass
import os


def _set_if_undefined(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"Please provide your {
     
     var}")


_set_if_undefined("OPENAI_API_KEY")
_set_if_undefined("LANGCHAIN_API_KEY")
_set_if_undefined("TAVILY_API_KEY")

# Optional, add tracing in LangSmith
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = "Multi-agent Collaboration"

创建Agent

以下辅助函数将帮助创建Agent。这些Agent将成为图中的节点。
如果您只想查看图表的外观，可以跳过。

from langchain_core.messages import (
    BaseMessage,
    HumanMessage,
    ToolMessage,
)
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

from langgraph.graph import END, StateGraph


def create_agent(llm, tools, system_message: str):
    """Create an agent."""
    prompt = ChatPromptTemplate.from_messages(
        [
            (
                "system",
                "你是一个乐于助人的人工智能助手，与其他助手合作。使用提供的工具逐步回答问题。"
                "如果你不能完全回答，那没关系，另一个助手用不同的工具将帮助你完成任务。尽你所能取得进展。"
                "如果你或任何其他助理有最终答案或可交付成果，在你的回答前面加上'FINAL ANSWER'，这样团队就知道该停下来了。"
                "你有权访问以下工具：｛tool_names｝。\n｛system_message｝",
            ),
            MessagesPlaceholder(variable_name="messages"),