NVIDIA e LangChain lançam: um guia avançado para escrever relatórios estruturados para análise, permitindo a geração de relatórios técnicos orientados por IA

Introdução geral

Este é um projeto de blueprint de geração de relatórios estruturados co-desenvolvido pela LangChain e pela NVIDIA, apresentado em um tutorial de notebook Jupyter no GitHub. O projeto aproveita técnicas avançadas de IA, especificamente o modelo Llama-3.3-70b, para automatizar a geração de relatórios técnicos profissionais. O principal recurso do projeto é um sistema de geração de relatórios em vários estágios criado usando o LangGraph da LangChain, incluindo planejamento de relatórios, pesquisa na Web e redação de conteúdo. O sistema é capaz de planejar automaticamente os capítulos do relatório com base em tópicos definidos pelo usuário e esboços estruturais, realizar pesquisas inteligentes na Web para obter informações relevantes por meio da Tavily e gerar relatórios técnicos claramente estruturados e escritos profissionalmente. O projeto é especialmente adequado para desenvolvedores e equipes técnicas que precisam gerar rapidamente documentos técnicos de alta qualidade.

Recomendado:STORM: pesquise dados da Web com base no tópico, gere documentos com citações, relatórios de documentos longos

Lista de funções

• Planejamento automatizado da estrutura do relatório: geração de esboços de relatórios com base na entrada de tópicos e requisitos organizacionais pelo usuário
• Pesquisa inteligente na Web: pesquisa direcionada na Web e coleta de informações usando a API da Tavily
• Processamento paralelo de capítulos de relatórios: suporta pesquisa e redação simultâneas de vários capítulos
• Personalização flexível de relatórios: pesquisa de notícias ou de conteúdo geral sob demanda
• Controle de saída estruturada: suporte para tabelas, listas e outros formatos de linguagem de marcação
• Rastreamento de citações de fontes: coleta e formatação automáticas de fontes de referência
• Mecanismos de controle de qualidade: incluindo limites de palavras e verificações de formatação
• Ambiente de desenvolvimento interativo: implementação completa do notebook Jupyter

Usando a Ajuda

1. preparação ambiental

1. Instale os pacotes de dependência necessários:

%pip install --quiet -U langgraph langchain_community langchain_core tavily-python langchain_nvidia_ai_endpoints

1. Configure a chave da API:

• Chave da API de avaliação do NVIDIA NIM
  • entrevistasPágina NVIDIA NIMRegistre-se e obtenha a chave da API
  • 1.000 créditos de avaliação da API para novos usuários
• Chave da API da LangChain
  • existirPágina de configurações do LangChainCriar uma conta
  • Navegue até "API Keys" (Chaves de API) para criar uma nova chave de API.
• Tavily Chave da API
  • entrevistasCasa Tavilyregistrar uma conta
  • Criação de uma chave de API

2. inicialização do projeto

1. Configuração de variáveis de ambiente:

Python

import os
os.environ["NVIDIA_API_KEY"] = "your-nvidia-api-key"
os.environ["LANGCHAIN_API_KEY"] = "your-langchain-api-key"
os.environ["TAVILY_API_KEY"] = "your-tavily-api-key"

1. Inicialize os clientes necessários:

Python

from tavily import TavilyClient, AsyncTavilyClient
tavily_client = TavilyClient()
tavily_async_client = AsyncTavilyClient()

3. processo de geração de relatórios

1. Definir a estrutura de relatórios:

Python

report_structure = """
This report type focuses on comparative analysis.
The report structure should include:
1. Introduction
2. Main Body Sections
3. Conclusion with Comparison Table
"""

1. Definir o tema do relatório:

Python

report_topic = "你的报告主题"

1. Configurar parâmetros de pesquisa:

Python

tavily_topic = "general"  # 或 "news"
tavily_days = None  # 仅适用于新闻主题

1. Gerar um plano de relatório:

Python

sections = await generate_report_plan({
"topic": report_topic,
"report_structure": report_structure,
"number_of_queries": 2,
"tavily_topic": tavily_topic,
"tavily_days": tavily_days
})

4. uso de funções avançadas

1. Geração de consultas personalizadas:

• Modificar query_writer_instructions para otimizar as consultas de pesquisa
• Ajuste o parâmetro number_of_queries para controlar o número de consultas por seção

1. Controle de formatação de conteúdo:

• Uso da sintaxe Markdown para definir a hierarquia do cabeçalho
• Suporte para conteúdo estruturado, como tabelas e listas
• Você pode controlar o limite de palavras para cada capítulo

1. Gerenciamento de conteúdo de origem:

• Processamento de resultados de pesquisa usando a função deduplicate_and_format_sources
• O parâmetro max_tokens_per_source pode ser ajustado para controlar o tamanho do conteúdo da fonte

1. Otimização do processamento paralelo:

• Pesquisa paralela de vários capítulos usando o LangGraph
• Otimize o fluxo de processamento ajustando a configuração do StateGraph

5 Cuidados

1. Restrições de uso da API:

• Tenha o cuidado de monitorar a quantidade de uso da API da NVIDIA
• Configuração razoável da frequência de consulta para evitar exceder o limite

1. Controle de qualidade do conteúdo:

• Assegurar que report_structure forneça orientações claras sobre as seções
• Validar regularmente a precisão do conteúdo gerado

1. Requisitos do sistema:

• Garantir a compatibilidade da versão do ambiente Python
• Mantenha as dependências atualizadas

1. Tratamento de erros:

• Implementar mecanismos adequados de tratamento de erros
• Salvar resultados intermediários para evitar interrupções no processamento