官网 | 文档 | Github | 中文手册 | Deep Agents CLI 案例

是啊，很多想法太多超前！

这个卡的前端页面是打不开了，但卡是一直能用的，把余额用完即可！我是都充进了ppenai

👍🏼👍🏼👍🏼

参考 一个用于利用 LangGraph 构建Swarm(蜂群式多智能体)系统的 Python 库。Swarm是一种多智能体架构，其中智能体会根据各自的专长动态地将控制权移交给其他智能体。该系统会记住最后一个处于活动状态的智能体，从而确保在后续交互中，对话能与该智能体继续进行。 Swarm 是一种受自然界蚁群、蜂群等生物群体行为启发的

from langchain_community.callbacks.manager import get_openai_callback llm = ChatOpenAI( model="gpt-4o-mini", temperature=0, stream_usage=True, ) with get_openai_callback() as cb: result =

LangGraph 中的 Supervisor充当多代理工作流程中的中央控制器，协调各个代理之间的通信和任务分配。它的工作原理是接收一个代理的输出，解释这些消息，然后相应地指导任务流程。它在LangGraph 中基于图结构中的节点实现，允许随着任务的发展或新代理的集成而动态交互和灵活调整工作流程，从而优化流程的有效性和速度。 实现的思路是：将代理定义为节点，并添加一个 supervisor

多代理系统其实就可以非常简单的理解为：将原本的应用程序拆分成多个较小的独立代理，从而组合而成的系统。这些小的独立代理可以是简单的大模型交互代理，也可以是复杂的 ReAct 代理。举个比较热门的案例，假设我们需要建立一个用于数据分析的Agent，则可以设计代理配置：Agent 1作为用户意图识别代理，集成大模型用来解析用户的查询和指令，理解其意图和需求，并将用户输入转化为具体的任务。Agent

有效的记忆管理可以增强代理维护上下文、从过去的经验中学习以及随着时间的推移做出更明智决策的能力。大多数AI Agent构建的应用程序都需要记忆来在多个交互中共享上下文。在 LangGraph 中，这种记忆就是通过checkpointer 和 store

文档 大模型本身是不具备记忆能力的。AI 应用需要记忆（memory）来在多次交互中共享上下文。在 LangGraph 中，您可以添加两种类型的记忆： 将短期记忆作为代理状态的一部分添加，以支持多轮对话。 添加长期记忆，用于跨会话存储特定于用户或应用程序级别的数据。

在实际应用中，流式输出尤其适用于需要快速反馈的业务场景，如聊天机器人，因为大语言模型可能需要几秒钟才能生成对查询的完整响应，这远远慢于应用程序对最终用户的响应速度约为 200-300 毫秒的阈值，如果是涉及多个大模型调用的复杂应用程序，这种延时会变得更加明显。让应用程序感觉响应更快的关键策略是显示中间进度；即，通过 token

当有了工具列表和模型后，就可以通过create_react_agent这个LangGraph框架中预构建的方法来创建自治循环代理（ReAct）的工作流，其必要的参数如下： model： 支持工具调用的LangChain聊天模型。 tools： 工具列表、ToolExecutor 或 ToolNode 实例。

from typing import Union, Optional, TypedDict, Annotated from pydantic import BaseModel, Field from dotenv import dotenv_values from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph,

Tool Calling Agent（工具调用代理）是LangGraph支持的一种AI Agent代理架构。这个代理架构是在Router Agent的基础上，大模型可以自主选择并使用多种工具来完成某个条件分支中的任务。工具调用大家应该非常熟悉，当我们希望代理与外部系统交互时，工具就非常有用。大模型能根据用户的自然语言输入选择调用工具，并将返回符合该工具架构的输出。

from langgraph.graph import StateGraph from typing_extensions import TypedDict from langgraph.graph import START, END from dotenv import dotenv_values from langchain_openai import ChatOpenAI env_vars =

对于LangGraph的底层图算法是利用消息传递机制来定义程序的运行这一结论，接下来，我们将详细探讨消息（Messages）是如何通过State进行传递的，其中包含了什么传递模式和内容。

参考 Edges（边）用来定义逻辑如何路由以及图何时开始与停止。这是智能体工作以及不同节点如何相互通信的重要组成部分。有几种关键的边类型： 普通边：直接从一个节点到下一个节点。 条件边：调用函数来确定下一个要转到的节点。 入口点：当用户输入到达时首先调用哪个节点。 条件入口点：调用函数来确定当用户输入到达时首先调用哪个节点。

参考 在 LangGraph 中，节点(Nodes)是一个 python 函数（sync或async），接收当前State作为输入，执行自定义的计算，并返回更新的State。所以其中第一个位置参数是state 。 def agent_node(state:InputState): print("我是一个AI Agent。") return

参考 在图中提到了节点、边、状态和路由四个概念。定义图时要做的第一件事是定义图的State。状态表示会随着图计算的进行而维护和更新的上下文或记忆。它用来确保图中的每个步骤都可以访问先前步骤的相关信息，从而可以根据整个过程中积累的数据进行动态决策。这个过程通过状态图StateGraph类实现，它继承自 Graph 类，这意味着 StateGraph 会使用或扩展基类的属性和方法。 from typing