企业官网建设流程全解析

前言

构建代理时，开发者不仅需要决定使用的模型、用例和架构，还必须选择合适的框架。

是选择经验丰富的 LangGraph，还是尝试新兴的 LlamaIndex 工作流？又或者，走传统路线，完全手动编写代码？为了简化这一决策过程，我在过去几周里使用各大主流框架构建了相同的代理程序，并深入分析了它们的优缺点。

第一个选项是完全跳过框架，完全自己构建代理。在开始这个项目时，这就是我开始采用的方法。

下面基于代码的代理由一个 OpenAI 驱动的路由器组成，该路由器使用函数调用来选择要使用的正确技能。该技能完成后，它会返回路由器以调用其他技能或响应用户。

defrouter(messages):ifnotany(isinstance(message,dict)andmessage.get("role")=="system"formessageinmessages):system_prompt={"role":"system","content":SYSTEM_PROMPT}messages.append(system_prompt)response=client.chat.completions.create(model="gpt-4o",messages=messages,tools=skill_map.get_combined_function_description_for_openai(),)messages.append(response.choices[0].message)tool_calls=response.choices[0].message.tool_callsiftool_calls:handle_tool_calls(tool_calls,messages)returnrouter(messages)else:returnresponse.choices[0].message.content

技能本身在它们自己的类（例如 GenerateSQLQuery）中定义，这些类共同保存在 SkillMap 中。路由器本身只与 SkillMap 交互，它用于加载技能名称、描述和可调用函数。这种方法意味着，向代理添加新技能就像将该技能编写为自己的类一样简单，然后将其添加到 SkillMap 中的技能列表中即可。这里的想法是让添加新技能变得容易，而不会干扰 router 代码。

classSkillMap:def__init__(self):skills=[AnalyzeData(),GenerateSQLQuery()]self.skill_map={}forskillinskills:self.skill_map[skill.get_function_name()]=(skill.get_function_dict(),skill.get_function_callable(),)defget_function_callable_by_name(self,skill_name)->Callable:returnself.skill_map[skill_name][1]defget_combined_function_description_for_openai(self):combined_dict=[]for_,(function_dict,_)inself.skill_map.items():combined_dict.append(function_dict)returncombined_dictdefget_function_list(self):returnlist(self.skill_map.keys())defget_list_of_function_callables(self):return[skill[1]forskillinself.skill_map.values()]defget_function_description_by_name(self,skill_name):returnstr(self.skill_map[skill_name][0]["function"])

总的来说，这种方法的实现相当简单，但也带来了一些挑战。基于代码的方法提供了一个很好的基线和起点，提供了一种很好的方法来了解代理的工作原理，而无需依赖来自主流框架的固定代理教程。尽管说服 LLM 运行可能具有挑战性，但代码结构本身足够简单，并且可能对某些用例有意义。

LangGraph 是历史最悠久的代理框架之一，于 2024 年 1 月首次发布。该框架旨在通过采用 Pregel 图形结构来解决现有管道和链的非循环性质。LangGraph 通过添加节点、边和条件边的概念来遍历图形，可以更轻松地在代理中定义循环。LangGraph 构建在 LangChain 之上，并使用该框架中的对象和类型。

LangGraph 代理看起来与纸上基于代码的代理相似，但其背后的代码却截然不同。LangGraph 在技术上仍然使用“路由器”，因为它使用函数调用 OpenAI，并使用响应继续新的步骤。但是，程序在技能之间移动的方式完全不同。

tools=[generate_and_run_sql_query,data_analyzer]model=ChatOpenAI(model="gpt-4o",temperature=0).bind_tools(tools)defcreate_agent_graph():workflow=StateGraph(MessagesState)tool_node=ToolNode(tools)workflow.add_node("agent",call_model)workflow.add_node("tools",tool_node)workflow.add_edge(START,"agent")workflow.add_conditional_edges("agent",should_continue,)workflow.add_edge("tools","agent")checkpointer=MemorySaver()app=workflow.compile(checkpointer=checkpointer)returnapp

此处定义的图形有一个用于初始 OpenAI 调用的节点，上面称为“agent”，还有一个用于工具处理步骤的节点，称为“tools”。LangGraph 有一个名为 ToolNode 的内置对象，它获取可调用工具的列表，并根据 ChatMessage 响应触发它们，然后再次返回到 “agent” 节点。

defshould_continue(state:MessagesState):messages=state["messages"]last_message=messages[-1]iflast_message.tool_calls:return"tools"returnENDdefcall_model(state:MessagesState):messages=state["messages"]response=model.invoke(messages)return{"messages":[response]}

LangGraph 的主要好处之一是它易于使用。图形结构代码干净且易于访问。特别是如果您具有复杂的节点逻辑，则拥有图形的单一视图可以更轻松地了解代理是如何连接在一起的。LangGraph 还使转换在 LangChain 中构建的现有应用程序变得简单明了。

Workflows 是代理框架领域的新进入者，于今年夏天早些时候首次亮相。与 LangGraph 一样，它旨在使循环代理更易于构建。工作流还特别关注异步运行。

Workflows 的一些元素似乎是对 LangGraph 的直接响应，特别是它使用事件而不是边缘和条件边缘。工作流使用步骤（类似于 LangGraph 中的节点）来容纳逻辑，并使用发出和接收的事件在步骤之间移动。

下面的代码定义了 Workflow 结构。与 LangGraph 类似，这是我准备状态并将技能附加到 LLM。

classAgentFlow(Workflow):def__init__(self,llm,timeout=300):super().__init__(timeout=timeout)self.llm=llm self.memory=ChatMemoryBuffer(token_limit=1000).from_defaults(llm=llm)self.tools=[]forfuncinskill_map.get_function_list():self.tools.append(FunctionTool(skill_map.get_function_callable_by_name(func),metadata=ToolMetadata(name=func,description=skill_map.get_function_description_by_name(func)),))@stepasyncdefprepare_agent(self,ev:StartEvent)->RouterInputEvent:user_input=ev.inputuser_msg=ChatMessage(role="user",content=user_input)self.memory.put(user_msg)chat_history=self.memory.get()returnRouterInputEvent(input=chat_history)

设置 Workflow 后，我定义了路由代码：

@stepasyncdefrouter(self,ev:RouterInputEvent)->ToolCallEvent|StopEvent:messages=ev.inputifnotany(isinstance(message,dict)andmessage.get("role")=="system"formessageinmessages):system_prompt=ChatMessage(role="system",content=SYSTEM_PROMPT)messages.insert(0,system_prompt)withusing_prompt_template(template=SYSTEM_PROMPT,version="v0.1"):response=awaitself.llm.achat_with_tools(model="gpt-4o",messages=messages,tools=self.tools,)self.memory.put(response.message)tool_calls=self.llm.get_tool_calls_from_response(response,error_on_no_tool_call=False)iftool_calls:returnToolCallEvent(tool_calls=tool_calls)else:returnStopEvent(result=response.message.content)

@stepasyncdeftool_call_handler(self,ev:ToolCallEvent)->RouterInputEvent:tool_calls=ev.tool_callsfortool_callintool_calls:function_name=tool_call.tool_name arguments=tool_call.tool_kwargsif"input"inarguments:arguments["prompt"]=arguments.pop("input")try:function_callable=skill_map.get_function_callable_by_name(function_name)exceptKeyError:function_result="Error: Unknown function call"function_result=function_callable(arguments)message=ChatMessage(role="tool",content=function_result,additional_kwargs={"tool_call_id":tool_call.tool_id},)self.memory.put(message)returnRouterInputEvent(input=self.memory.get())

选择代理框架只是影响生成式 AI 系统生产结果的众多选择之一。与往常一样，拥有强大的护栏和 LLM 跟踪是值得的，并且在新的代理框架、研究和模型颠覆现有技术时保持敏捷。

最后的最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】