LangGraph Supervisor: ein Werkzeug zur Verwaltung der Zusammenarbeit mehrerer Intelligenzen mit Hilfe von Supervisor-Intelligenzen

Allgemeine Einführung

LangGraph Supervisor ist eine Python-Bibliothek, die auf dem LangGraph-Framework basiert und für die Erstellung und Verwaltung multi-intelligenter Körpersysteme entwickelt wurde. Die Bibliothek koordiniert die Arbeit mehrerer spezialisierter Agenten durch einen zentralen Supervisor-Agenten, der eine effiziente Verwaltung von Kommunikationsflüssen und Aufgabenzuweisungen sicherstellt.LangGraph Supervisor unterstützt sowohl den Router- als auch den Koordinator-Modus, bietet instrumentierte Agenten-Handover-Mechanismen, eine flexible Verwaltung der Nachrichtenhistorie und eignet sich für Anwendungsszenarien in den Bereichen Streaming-Verarbeitung, Kurz- und Langzeitgedächtnis und Human-in-the-Loop.

Funktionsliste

• Schaffung von Aufsichtsbeamten zur Koordinierung mehrerer spezialisierter Beamter
• Unterstützt die Modi Router und Koordinator
• Instrumentalisierte Mechanismen der stellvertretenden Übergabe
• Flexible Verwaltung der Nachrichtenhistorie
• Unterstützt Streaming-Verarbeitung, Kurz- und Langzeitgedächtnis
• Unterstützung von Human-in-the-Loop-Anwendungsszenarien

Hilfe verwenden

Ablauf der Installation

1. Stellen Sie sicher, dass die Python-Umgebung installiert ist.
2. Installieren Sie die LangGraph Supervisor-Bibliothek mit pip:

   pip install langgraph-supervisor

3. Installieren Sie die Bibliotheken LangChain und OpenAI:

   pip install langchain-openai

4. Legen Sie den OpenAI-API-Schlüssel fest:

   export OPENAI_API_KEY=

Anwendungsbeispiel

Nachfolgend finden Sie ein einfaches Beispiel für die Verwaltung von zwei spezialisierten Agenten mit dem LangGraph Supervisor:

1. Importieren Sie die erforderlichen Bibliotheken und Module:

   from langchain_openai importieren ChatOpenAI
from langgraph_supervisor importiere create_supervisor
from langgraph.prebuilt import create_react_agent

2. Schaffen Sie spezialisierte Agenten:

   def add(a: float, b: float) -> float.
"""Zwei Zahlen addieren.""""
return a + b
def multiply(a: float, b: float) -> float.
"""Zwei Zahlen multiplizieren.""""
return a * b
def web_search(query: str) -> str.
"""Suche im Web nach Informationen.""""
return "Hier sind die Mitarbeiterzahlen für jedes der FAANG-Unternehmen im Jahr 2024:..."
model = ChatOpenAI(model="gpt-4o")
math_agent = create_react_agent(model=model, tools=[add, multiply], name="math_expert", prompt="Sie sind ein Mathe-Experte. Benutzen Sie immer nur ein Tool auf einmal. gleichzeitig.")
research_agent = create_react_agent(model=model, tools=[web_search], name="research_expert", prompt="Sie sind ein Weltklasse-Forscher mit Führen Sie keine Berechnungen durch.")

3. Erstellen Sie einen Überwachungsagenten, kompilieren Sie ihn und führen Sie ihn aus:

   Arbeitsablauf = create_supervisor([research_agent, math_agent], model=model, prompt="Sie sind ein Team Supervisor, der einen Forschungsexperten und einen Matheexperten betreut.")
app = workflow.compile()
result = app.invoke({
"messages": [
{ "role": "user", "content": "Wie hoch ist die kombinierte Mitarbeiterzahl der FAANG-Unternehmen im Jahr 2024?" }
]
})

Detaillierte Funktionsabläufe

1. Schaffung von Aufsichtsbeamten: durchcreate_supervisorFunktion wird ein Aufsichtsbeamter geschaffen, der für die Koordinierung der Arbeit mehrerer spezialisierter Bearbeiter zuständig ist.
2. Definition der spezialisierten Agenten: Verwendungcreate_react_agentFunktionen definieren spezialisierte Agenten für verschiedene Funktionen, wie z. B. Agenten für mathematische Berechnungen und Web-Suchagenten.
3. Kompilieren und Ausführen von Workflows: durchworkflow.compile()Kompilieren Sie den Workflow und verwenden Sie dieapp.invoke()Führt einen Workflow aus, der Benutzereingaben verarbeitet und Ergebnisse zurückgibt.

LangGraph Supervisor ist eine flexible Multi-Intelligence-Systemmanagementlösung zur Automatisierung und Koordination einer Vielzahl komplexer Aufgaben.