AI大模型开发实战：基于LangGraph、Ollama构建本地AI智能体

一、理解 AI 智能体

AI 智能体是能够感知其环境并采取行动以实现特定目标的实体或系统。这些智能体可以从简单的算法到能够进行复杂决策的复杂系统。

以下是关于 AI 智能体的一些关键点：

（1）感知（Perception）：AI 智能体使用传感器或输入机制来感知其环境。这可能涉及从各种来源收集数据，如摄像头、麦克风或其他传感器。

（2）推理（Reasoning）：AI 智能体接收信息，并使用算法和模型来处理和解释数据。这一步涉及理解模式、进行预测或生成响应。

（3）决策制定（Decision-making）：像人类一样，AI 智能体根据其感知和推理来决定行动或输出。这些决策旨在实现其编程或学习过程中定义的特定目标或目的。此外，AI 智能体将更多地作为助手而不是取代人类。

（4）执行（Action）：AI 智能体根据其决策执行行动。这可能涉及现实世界中的身体动作（如移动机器人臂）或数字环境中的虚拟动作（如在应用程序中提出建议）。

二、AI 智能体与 RAG 应用的区别

RAG（检索增强生成）应用和 AI 智能体指的是人工智能领域内的两个不同概念。

RAG 通过结合信息检索方法来提高大型语言模型（LLM）的性能或输出。检索系统根据输入查询从大型语料库中搜索相关文档或信息。然后，生成模型（例如基于 Transformer 的语言模型）使用这些检索到的信息生成更准确和上下文相关的响应。这有助于通过整合检索到的信息来提高生成内容的准确性。此外，这种技术消除了对新数据进行微调或训练 LLM 的需求。

另一方面，AI 智能体是设计用来执行特定任务或一系列任务的自治软件实体。它们基于预定义的规则、机器学习模型或两者结合来运行。它们通常与用户或其他系统交互，以收集输入、提供响应或执行动作。一些 AI 智能体的性能随着时间的推移而提高，因为它们可以根据新数据和经验学习和适应。AI 可以同时处理多个任务，提供可扩展性。

总之，RAG应用是专门设计用于通过结合检索机制来增强生成模型的能力；智能体是更广泛的实体，旨在自主执行各种任务。

三、LangGraph 简介

LangGraph 是一个强大的库，用于使用大型语言模型（LLM）构建有状态、多参与者应用程序。它有助于创建涉及单个或多个智能体的复杂工作流程，提供循环、可控性和持久性等关键优势。

优势：

循环和分支：与使用简单有向无环图（DAG）的其他框架不同，LangGraph 支持循环和条件语句，这对于创建复杂的智能体行为至关重要。
细粒度控制：作为一个低级框架，LangGraph 提供了对应用程序流程和状态的详细控制，使其成为开发可靠智能体的理想选择。
持久性：它包括内置的持久性，允许你在每个步骤后保存状态，暂停和恢复执行，并支持高级功能，如错误恢复和人工干预的工作流程。

特点：

循环和分支：在你的应用程序中实现循环和条件语句。
持久性：在每个步骤后自动保存状态，支持错误恢复。
人工干预：中断执行以供人工批准或编辑。
流式支持：每个节点生成输出时即时流式传输。
与LangChain集成：与LangChain和LangSmith无缝集成，也可以独立使用。

四、Ollama 简介

Ollama 是一个开源项目，它使在本地机器上运行大型语言模型（LLM）变得简单且用户友好。它提供了一个用户友好的平台，简化了 LLM 技术的复杂性，使其易于访问和定制，适用于希望利用 AI 力量而无需广泛的技术专业知识的用户。它易于安装。此外，我们有一系列模型和一套全面的功能和功能，旨在增强用户体验。

关键特点：

本地部署：直接在本地机器上运行复杂的 LLM，确保数据隐私并减少对外部服务器的依赖。
用户友好的界面：设计直观易用，适用于不同技术水平的用户。
可定制性：微调 AI 模型以满足您的特定需求，无论是研究、开发还是个人项目。
开源：作为开源项目，Ollama 鼓励社区贡献和持续改进，促进创新和协作。
轻松安装：Ollama 以其用户友好的安装过程脱颖而出，为 Windows、macOS 和 Linux 用户提供直观、无忧的设置方法。

五、使用 LangGraph 和 Ollama 创建 AI 智能体的步骤

在这个案例中，我们将使用qwen2:7b 模型创建一个简单的智能体示例。这个智能体可以使用 Tavily 搜索 API 搜索网络并生成响应。

我们将从安装 Langgraph 开始，这是一个设计用于使用 LLM 构建有状态、多参与者应用程序的库，非常适合创建智能体和多智能体工作流程。LangGraph 受到 Pregel、Apache Beam 和 NetworkX 的启发，由 LangChain Inc. 开发，可以独立于 LangChain 使用。

我们将使用qwen2:7b 作为我们的 LLM 模型，该模型将与 Ollama 和 Tavily 的搜索 API 集成。Tavily 的 API 针对 LLM 进行了优化，提供了事实性、高效、持久的搜索体验。

开始安装langgraph包：


pip install -U langgraph

如有需要，安装其他包：

pip install langchain-openai langchainhub

完成安装后，我们将进入下一个关键步骤：提供 Travily API 密钥。

export TAVILY_API_KEY="apikeygoeshere"

现在，我们将运行以下代码来获取模型。请尝试使用 Llama 或任何其他版本的

qwen2:7b。
ollama pull qwen2:7b

导入构建智能体所需的所有必要库。

from langchain import hub
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain.prompts import PromptTemplate
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import JsonOutputParser
from langchain_community.chat_models 
import ChatOllama

我们将首先定义我们想要使用的工具，并将工具与 llm 绑定。在这个简单的例子中，我们将使用通过 Tavily 提供的内置搜索工具。

示例代码如下所示：

import os


# 设置环境变量"TAVILY_API_KEY"，将其值设为一个API密钥字符串
# 这个密钥用于认证和授权应用程序访问Tavily API的服务
# 通过将API密钥存储在环境变量中，可以提高代码的安全性和可维护性，避免硬编码敏感信息
os.environ["TAVILY_API_KEY"] = "tvly-xxxxxxxxxx"


# 初始化ChatOpenAI实例，设置以下参数：
# model参数指定使用的语言模型为"qwen2:7b"
# temperature参数设置为0.0，这意味着生成的响应将更加确定和基于模型的知识，减少随机性
# api_key参数设置为"ollama"
# base_url参数指定了与模型交互的API基础URL，此处指向本地主机上的一个特定端口和路径
llm = ChatOpenAI(model="qwen2:7b", temperature=0.0, api_key="ollama", base_url="http://localhost:11434/v1")


# 创建工具列表，其中包含一个TavilySearchResults实例，用于执行搜索操作
# max_results参数设置为3，这意味着每次搜索将返回最多3个结果
tools = [TavilySearchResults(max_results=3)]

下面的代码片段检索一个提示模板并以可读格式打印。然后可以根据需要使用或修改此模板。

# 从LangChain的Hub中拉取一个预定义的prompt模板
prompt = hub.pull("wfh/react-agent-executor")
# 使用pretty_print()方法以更易读的格式打印模板内容
prompt.pretty_print()

使用前面创建的语言模型（llm）、一组工具（tools）和一个提示模板（prompt）创建一个智能体（agent）。

# 创建agent对象
agent = create_react_agent(llm, tools, messages_modifier=prompt)


from IPython.display import Image, display
# agent.get_graph()方法返回代理的内部状态图，描述了代理的组件和它们之间的关系
# draw_mermaid_png()方法将状态图转换为PNG格式的图像，便于可视化展示
display(Image(agent.get_graph().draw_mermaid_png()))

这段代码的作用是在Jupyter Notebook中显示智能体的结构和工作流程图，帮助理解和调试智能体的行为。

agent 节点会使用消息列表调用语言模型。如果生成的 AIMessage 包含 tool_calls，则图将调用 tools 节点。tools 节点执行工具（每个 tool_call 执行一个工具），并将响应作为 ToolMessage 对象添加到消息列表中。然后 agent 节点再次调用语言模型。这个过程会一直重复，直到响应中不再有 tool_calls。然后 agent 返回包含键 “messages” 的字典，其中包含了完整的消息列表。

# 调用agent的invoke方法
response = agent.invoke({"messages": [("user", "解释人工智能")]})


# 遍历响应字典中'messages'键对应的列表，该列表包含了代理生成的响应消息
for message in response['messages']:
 print(message.content)

生成如下响应：