langgraph教程

LangGraph是一个新的库，用于低代码构建LLM应用，提供了更多的自定义和循环行为的可能性。LangGraph还提供了一个可视化的工具，用于展示和控制语言代理的图，以及查看和分析语言代理的输入和输出。LangGraph的发布，为LangChain增加了一个强大的扩展，使得LangChain能够支持更多的LLM应用的场景和需求。LangGraph也是一个独立的库，可以与其他的Python库和工具结合使用，以实现更多的功能和效果。LangGraph的详细介绍和使用方法，可以参考LangGraph的官方文档和教程。[heading2]LangChain的未来计划[content]LangChain 0.1.0的发布，是LangChain项目的一个重要的里程碑，也是LangChain项目的一个新的起点。LangChain团队将继续努力，为LLM应用提供一个更加强大、灵活和易用的框架和工具集。LangChain的下一步目标，包括：重写旧的链，使其符合LangChain 0.1.0的架构和规范，以及提供更多的功能和特性。维护稳定的分支，即LangChain 0.1.x，用于修复错误和优化性能，以保证LangChain的质量和稳定性。增加更多的工具和功能，如更多的LLMs和NLP任务的支持，更多的输出解析和检索的方法，更多的代理的技术，以及更多的LangSmith和LangGraph的功能。🚀

|导入依赖库加载所需的库和模块。其中，feedparse用于解析RSS订阅源ollama用于在python程序中跑大模型，使用前请确保ollama服务已经开启并下载好模型|从订阅源获取内容下面函数用于从指定的RSS订阅url提取内容，这里只是给了一个url，如果需要接收多个url，只要稍微改动即可。然后，通过一个专门的文本拆分器将长文本拆分成较小的块，并附带相关的元数据如标题、发布日期和链接。最终，这些文档被合并成一个列表并返回，可用于进一步的数据处理或信息提取任务。|为文档内容生成向量这里，我们使用文本向量模型bge-m3。https://huggingface.co/BAAI/bge-m3bge-m3是智源研究院发布的新一代通用向量模型，它具有以下特点：支持超过100种语言的语义表示及检索任务，多语言、跨语言能力全面领先（M ulti-Lingual）最高支持8192长度的输入文本，高效实现句子、段落、篇章、文档等不同粒度的检索任务（M ulti-Granularity）同时集成了稠密检索、稀疏检索、多向量检索三大能力，一站式支撑不同语义检索场景（M ulti-Functionality）从hf下载好模型之后，假设放置在某个路径/path/to/bge-m3，通过下面函数，利用FAISS创建一个高效的向量存储。|实现RAG

现在是我们开始构建图的时候了。和以前一样，我们将从一个节点开始，用用户的当前信息预填充状态。现在，让我们开始构建我们定制的工作流程。每个小工作流程的结构都和我们在第3部分中展示的完整工作流程图非常相似，它们都包含5个节点：1.enter_*:使用你之前定义的create_entry_node工具来创建一个ToolMessage，这个ToolMessage表明新的专业助手已经接管了工作。2.助手:这个由提示和大型语言模型（LLM）组成的模块会根据当前状态来决定是使用一个工具、向用户提问还是结束整个工作流程（返回到主助手）。3.*_safe_tools:这些是助手可以在不需要用户确认的情况下使用的“只读”工具。4.*_sensitive_tools:这些具有“写入”权限的工具需要用户的确认，并且在我们编译工作流程图时，它们会被设置一个interrupt_before。5.leave_skill:通过弹出dialog_state来表示主助手重新掌握了控制权。由于这些工作流程的相似性，我们本可以定义一个工厂函数来生成它们。但因为这是一个教程，我们会逐一明确地定义它们。首先，我们来创建一个航班预订助手，它专门负责管理用户更新和取消预订航班的流程。接下来，创建一个租车助手的工作流程图，它将负责处理所有的租车需求。然后，创建一个酒店预订的工作流程。之后，定义一个旅行预订助手。最后，创建一个主助手。这里是一个图片链接[heading3]对话[content]那真是很多内容！让我们在下面的对话轮次列表上运行它。这次，我们将有更少的确认。