代理应用程序

正如我在本文开头提到的，人们对代理应用的自主性抱有反乌托邦的恐惧。

人工智能代理与人类互动 — 有几个术语和短语可以互换使用来指代同一基本代理概念。

如下图所示，代理确实有一个或多个大型语言模型/基础模型作为其骨干，这些模型有助于将复杂任务分解为子任务。从子任务开始，创建代理可以遵循的行动链。

代理可以访问已定义的工具列表，它可以利用这些工具来解决挑战。每个工具都有一个描述，让代理知道何时按顺序选择工具来解决问题。正如我所提到的，代理会创建一系列步骤，并遵循这些步骤来得出最终结论。

工具

提供给代理的工具可以包括用于研究门户的 API，例如 Arxiv、HuggingFace、GALE、Bing 搜索、Serp API 等。其中一个工具是代理可以使用的 Human-In-The-Loop 工具。

如果代理不知道下一步该做什么或得出什么结论，可以联系现场人工代理来获取特定问题的答案。

语言图谱

如下面的工作笔记所示，在 LangGraph 中，可以在需要人工干预的地方添加中断。如果认为在一个或多个人批准之前无法执行某些工具，也可以为这些工具添加中断。

因此，对于某些工具，可以添加人工干预，或者在 LangGraph 的图形环境中定义需要人工干预的节点。HITL 可以在特定节点之前或之后，因此人工参与可以是批准，也可以是在交互后检查交易。

user_approval = input(“Do you want to go to Step 3? (yes/no): “)

人类作为工具

需要考虑的关键点是整个对话及其上下文并未完全移交给代理。

相反，人工代理会选择性地参与，即使在人工交互后，自动化仍可继续。这引入了一种新模式，即仅在必要时才需要人工参与。

LangChain 示例

LangChain 实现了一个名为 LangGraph 的新框架…LangGraph 回归了对话和自动化的图形方法。

LangGraph 是一个基于图形的编排框架，它为代理工作流添加了控制。LangGraph 采用节点和边缘方法，其中每个节点构成一项任务或可视为一个步骤。边缘是节点之间的链接，这些链接受条件影响，从而确定状态移动到哪个节点。

LangGraph Cloud 是一种用于部署和扩展这些应用程序的服务，其特色是易于进行原型设计、调试和共享的 Studio。

LangGraph 允许您检查代理的行为并在自主性和遵循定义顺序之间取得平衡，从而使代理更加透明。

LangGraph 实现的实用 LangChain 示例

下面是用 Python 创建图形的一个非常简单的示例……

from typing import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import MemorySaver
from IPython.display import Image, display


class State(TypedDict):
    input: str


def step_1(state):
    print("---Step 1---")
    pass


def step_2(state):
    print("---Step 2---")
    pass


def step_3(state):
    print("---Step 3---")
    pass


builder = StateGraph(State)
builder.add_node("step_1", step_1)
builder.add_node("step_2", step_2)
builder.add_node("step_3", step_3)
builder.add_edge(START, "step_1")
builder.add_edge("step_1", "step_2")
builder.add_edge("step_2", "step_3")
builder.add_edge("step_3", END)

# Set up memory
memory = MemorySaver()

# Add
graph = builder.compile(checkpointer=memory, interrupt_before=["step_3"])

# View
display(Image(graph.get_graph().draw_mermaid_png()))

打印出下面的图表……