‫Google משתמשת בטכנולוגיית AI כדי לתרגם תוכן לשפה המועדפת עליך. בתרגומים כאלו עשויות להיות שגיאות.

שימוש בסוכן LangGraph

לפני שמתחילים

במדריך הזה אנחנו יוצאים מנקודת הנחה שקראתם את ההוראות במאמרים הבאים ופעלתם לפיהן:

יצירת סוכן LangGraph: כדי ליצור את agent כמופע של LanggraphAgent.
אימות משתמשים כדי לבצע אימות כמשתמש לצורך שליחת שאילתות לסוכן.
מייבאים ומפעילים את ה-SDK כדי להפעיל את הלקוח לקבלת מופע שנפרס (אם צריך).

קבלת מופע של סוכן

כדי לשלוח שאילתה ל-LanggraphAgent, צריך קודם ליצור מכונה חדשה או לקבל מכונה קיימת.

כדי לקבל את LanggraphAgent שמתאים למזהה משאב ספציפי:

Agent Platform SDK

מריצים את הקוד הבא:

import agentplatform

client = agentplatform.Client(  # For service interactions via client.runtimes
    project="PROJECT_ID",
    location="LOCATION",
)

agent = client.runtimes.get(name="projects/PROJECT_ID/locations/LOCATION/reasoningEngines/RESOURCE_ID")

print(agent)

איפה

‫PROJECT_ID הוא Google Cloud מזהה הפרויקט שבו יוצרים ופורסים סוכנים, ו
‫LOCATION הוא אחד מהאזורים הנתמכים.
‫RESOURCE_ID הוא המזהה של הסוכן שנפרס כמשאב reasoningEngine.

ספריית הבקשות של Python

מריצים את הקוד הבא:

from google import auth as google_auth
from google.auth.transport import requests as google_requests
import requests

def get_identity_token():
    credentials, _ = google_auth.default()
    auth_request = google_requests.Request()
    credentials.refresh(auth_request)
    return credentials.token

response = requests.get(
f"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/reasoningEngines/RESOURCE_ID",
    headers={
        "Content-Type": "application/json; charset=utf-8",
        "Authorization": f"Bearer {get_identity_token()}",
    },
)

‫API בארכיטקטורת REST

curl \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/reasoningEngines/RESOURCE_ID

כשמשתמשים ב-Agent Platform SDK, האובייקט agent תואם למחלקה AgentRuntime שכוללת את המאפיינים הבאים:

agent.api_resource עם מידע על הסוכן שהופעל. אפשר גם לקרוא לפונקציה agent.operation_schemas() כדי להחזיר את רשימת הפעולות שהסוכן תומך בהן. פרטים נוספים זמינים במאמר בנושא פעולות נתמכות.
‫agent.api_client שמאפשרת אינטראקציות סינכרוניות עם שירותים
agent.async_api_client שמאפשרת אינטראקציות אסינכרוניות בין שירותים

בהמשך הקטע הזה נניח שיש לכם מכונת AgentRuntime שנקראת agent.

פעולות נתמכות

הפעולות הבאות נתמכות ב-LanggraphAgent:

‫query: לקבלת תשובה לשאילתה באופן סינכרוני.
‫stream_query: להצגת תשובה לשאילתה באופן שוטף.
‫get_state: כדי לקבל נקודת ביקורת ספציפית.
‫get_state_history: כדי להציג את נקודות הבדיקה של שרשור.
‫update_state: ליצירת ענפים שמתאימים לתרחישים שונים.

הזרמת תשובה לשאילתה

כדי להזרים תשובה, משתמשים בשיטה LanggraphAgent.stream_query.

‫LangGraph תומך בכמה מצבי סטרימינג. העיקריים שבהם הם:

‫values: במצב הזה, המערכת מעבירה בסטרימינג את המצב המלא של הגרף אחרי כל קריאה לצומת.
‫updates: במצב הזה, העדכונים של מצב הגרף מועברים בסטרימינג אחרי כל קריאה לצומת.

כדי להזרים אחורה values (בהתאם למצב המלא של הגרף):

for state_values in agent.stream_query(
    input=inputs,
    stream_mode="values",
    config={"configurable": {"thread_id": "streaming-thread-values"}},
):
    print(state_values)

כדי להזרים בחזרה updates (בהתאם לעדכונים של מצב הגרף):

for state_updates in agent.stream_query(
    input=inputs,
    stream_mode="updates",
    config={"configurable": {"thread_id": "streaming-thread-updates"}},
):
    print(state_updates)

שילוב גורם אנושי

ב-LangGraph, היבט נפוץ של שילוב בני אדם בתהליך הוא הוספת נקודות עצירה כדי להפריע לרצף הפעולות של הסוכן, ולאפשר לאדם להמשיך את התהליך בשלב מאוחר יותר.

בדיקה

אפשר להגדיר נקודות עצירה באמצעות הארגומנטים interrupt_before= או interrupt_after= כשקוראים לפונקציה .query או .stream_query:

from langchain.load import load as langchain_load

response = agent.query(
    input=inputs,
    interrupt_before=["tools"], # after generating the function call, before invoking the function
    interrupt_after=["tools"], # after getting a function response, before moving on
    config={"configurable": {"thread_id": "human-in-the-loop-deepdive"}},
)

langchain_load(response['messages'][-1]).pretty_print()

הפלט אמור להיראות כך:

================================== Ai Message ==================================
Tool Calls:
  get_exchange_rate (12610c50-4465-4296-b1f3-d751ec959fd5)
 Call ID: 12610c50-4465-4296-b1f3-d751ec959fd5
  Args:
    currency_from: USD
    currency_to: SEK

אישור

כדי לאשר את הקריאה שנוצרה לכלי ולהמשיך עם שאר ההפעלה, צריך להעביר את None לקלט ולציין את השרשור או את נקודת הבדיקה בתוך config:

from langchain.load import load as langchain_load

response = agent.query(
    input=None,  # Continue with the function call
    interrupt_before=["tools"], # after generating the function call, before invoking the function
    interrupt_after=["tools"], # after getting a function response, before moving on
    config={"configurable": {"thread_id": "human-in-the-loop-deepdive"}},
)

langchain_load(response['messages'][-1]).pretty_print()

הפלט אמור להיראות כך:

================================= Tool Message =================================
Name: get_exchange_rate

{"amount": 1.0, "base": "USD", "date": "2024-11-14", "rates": {"SEK": 11.0159}}

היסטוריה

כדי להציג רשימה של כל נקודות הבדיקה של שרשור נתון, משתמשים בשיטה LanggraphAgent.get_state_history:

for state_snapshot in agent.get_state_history(
    config={"configurable": {"thread_id": "human-in-the-loop-deepdive"}},
):
    if state_snapshot["metadata"]["step"] >= 0:
        print(f'step {state_snapshot["metadata"]["step"]}: {state_snapshot["config"]}')
        state_snapshot["values"]["messages"][-1].pretty_print()
        print("\n")

התגובה תהיה דומה לרצף הפלט הבא:

step 3: {'configurable': {'thread_id': 'human-in-the-loop-deepdive', 'checkpoint_ns': '', 'checkpoint_id': '1efa2e95-ded5-67e0-8003-2d34e04507f5'}}
================================== Ai Message ==================================

The exchange rate from US dollars to Swedish krona is 1 USD to 11.0159 SEK.

step 2: {'configurable': {'thread_id': 'human-in-the-loop-deepdive', 'checkpoint_ns': '', 'checkpoint_id': '1efa2e95-d189-6a77-8002-5dbe79e2ce58'}}
================================= Tool Message =================================
Name: get_exchange_rate

{"amount": 1.0, "base": "USD", "date": "2024-11-14", "rates": {"SEK": 11.0159}}

step 1: {'configurable': {'thread_id': 'human-in-the-loop-deepdive', 'checkpoint_ns': '', 'checkpoint_id': '1efa2e95-cc7f-6d68-8001-1f6b5e57c456'}}
================================== Ai Message ==================================
Tool Calls:
  get_exchange_rate (12610c50-4465-4296-b1f3-d751ec959fd5)
 Call ID: 12610c50-4465-4296-b1f3-d751ec959fd5
  Args:
    currency_from: USD
    currency_to: SEK

step 0: {'configurable': {'thread_id': 'human-in-the-loop-deepdive', 'checkpoint_ns': '', 'checkpoint_id': '1efa2e95-c2e4-6f3c-8000-477fd654cb53'}}
================================ Human Message =================================

What is the exchange rate from US dollars to Swedish currency?

אחזור ההגדרה של שלב

כדי לקבל נקודת ביקורת מוקדמת יותר, מציינים את checkpoint_id (ואת checkpoint_ns). קודם כל, חוזרים אחורה לשלב 1, כשנוצרת קריאת הכלי:

snapshot_config = {}
for state_snapshot in agent.get_state_history(
    config={"configurable": {"thread_id": "human-in-the-loop-deepdive"}},
):
    if state_snapshot["metadata"]["step"] == 1:
        snapshot_config = state_snapshot["config"]
        break

print(snapshot_config)

הפלט אמור להיראות כך:

{'configurable': {'thread_id': 'human-in-the-loop-deepdive',
  'checkpoint_ns': '',
  'checkpoint_id': '1efa2e95-cc7f-6d68-8001-1f6b5e57c456'}}

מסע בזמן

כדי לקבל נקודת ביקורת, משתמשים בשיטה LanggraphAgent.get_state:

# By default, it gets the latest state [unless (checkpoint_ns, checkpoint_id) is specified]
state = agent.get_state(config={"configurable": {
    "thread_id": "human-in-the-loop-deepdive",
}})

print(f'step {state["metadata"]["step"]}: {state["config"]}')
state["values"]["messages"][-1].pretty_print()

כברירת מחדל, הוא מקבל את נקודת הבדיקה האחרונה (לפי חותמת זמן). הפלט אמור להיראות כך:

step 3: {'configurable': {'thread_id': 'human-in-the-loop-deepdive', 'checkpoint_ns': '', 'checkpoint_id': '1efa2e95-ded5-67e0-8003-2d34e04507f5'}}
================================== Ai Message ==================================

The exchange rate from US dollars to Swedish krona is 1 USD to 11.0159 SEK.

אחזור נקודת ביקורת של הגדרה

עבור הגדרה מסוימת (לדוגמה, snapshot_config מההגדרה של שלב), אפשר לקבל את נקודת הבדיקה המתאימה:

state = agent.get_state(config=snapshot_config)
print(f'step {state["metadata"]["step"]}: {state["config"]}')
state["values"]["messages"][-1].pretty_print()

הפלט אמור להיראות כך:

step 1: {'configurable': {'thread_id': 'human-in-the-loop-deepdive', 'checkpoint_ns': '', 'checkpoint_id': '1efa2e95-cc7f-6d68-8001-1f6b5e57c456'}}
================================== Ai Message ==================================
Tool Calls:
  get_exchange_rate (12610c50-4465-4296-b1f3-d751ec959fd5)
 Call ID: 12610c50-4465-4296-b1f3-d751ec959fd5
  Args:
    currency_from: USD
    currency_to: SEK

הפעלה מחדש

כדי להפעיל מחדש ממצב נתון, מעבירים את הגדרת המצב (למשל state["config"]) לסוכן. הגדרת המצב היא מילון שנראה כך:

{'configurable': {'thread_id': 'human-in-the-loop-deepdive',
  'checkpoint_ns': '',
  'checkpoint_id': '1efa2e95-cc7f-6d68-8001-1f6b5e57c456'}}

כדי להפעיל מחדש מנקודה מסוימת state["config"] (שבה נוצרה קריאה לכלי), מציינים None בקלט:

from langchain.load import load as langchain_load

for state_values in agent.stream_query(
    input=None, # resume
    stream_mode="values",
    config=state["config"],
):
    langchain_load(state_values["messages"][-1]).pretty_print()

התוצאה תהיה דומה לרצף הפלטים הבא:

================================== Ai Message ==================================
Tool Calls:
  get_exchange_rate (12610c50-4465-4296-b1f3-d751ec959fd5)
 Call ID: 12610c50-4465-4296-b1f3-d751ec959fd5
  Args:
    currency_from: USD
    currency_to: SEK

================================= Tool Message =================================
Name: get_exchange_rate

{"amount": 1.0, "base": "USD", "date": "2024-11-14", "rates": {"SEK": 11.0159}}

================================== Ai Message ==================================

The exchange rate from US dollars to Swedish krona is 1 USD to 11.0159 SEK.

התפצלות

אפשר ליצור הסתעפות מנקודות ביקורת קודמות כדי לנסות תרחישים חלופיים באמצעות ה-method‏ LanggraphAgent.update_state:

branch_config = agent.update_state(
    config=state["config"],
    values={"messages": [last_message]}, # the update we want to make
)

print(branch_config)

הפלט אמור להיראות כך:

{'configurable': {'thread_id': 'human-in-the-loop-deepdive',
  'checkpoint_ns': '',
  'checkpoint_id': '1efa2e96-0560-62ce-8002-d1bb48a337bc'}}

אנחנו יכולים לשלוח שאילתה לנציג התמיכה עם branch_config כדי להמשיך מנקודת הבדיקה עם המצב המעודכן:

from langchain.load import load as langchain_load

for state_values in agent.stream_query(
    input=None, # resume
    stream_mode="values",
    config=branch_config,
):
    langchain_load(state_values["messages"][-1]).pretty_print()

התוצאה תהיה דומה לרצף הפלטים הבא:

================================== Ai Message ==================================
Tool Calls:
  get_exchange_rate (12610c50-4465-4296-b1f3-d751ec959fd5)
 Call ID: 12610c50-4465-4296-b1f3-d751ec959fd5
  Args:
    currency_date: 2024-09-01
    currency_from: USD
    currency_to: SEK

================================= Tool Message =================================
Name: get_exchange_rate

{"amount": 1.0, "base": "USD", "date": "2024-08-30", "rates": {"SEK": 10.2241}}

================================== Ai Message ==================================

The exchange rate from US dollars to Swedish krona on 2024-08-30 was 1 USD to 10.2241 SEK.

שימוש בסוכן LangGraph קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.

לפני שמתחילים

קבלת מופע של סוכן

Agent Platform SDK

ספריית הבקשות של Python

‫API בארכיטקטורת REST

פעולות נתמכות

הזרמת תשובה לשאילתה

שילוב גורם אנושי

בדיקה

אישור

היסטוריה

אחזור ההגדרה של שלב

מסע בזמן

אחזור נקודת ביקורת של הגדרה

הפעלה מחדש

התפצלות

המאמרים הבאים

שימוש בסוכן LangGraph