什么是人工智能体（AI Agent）？

1. 感知：人工智能体使用传感器或输入机制来感知环境。这可能涉及从摄像头、麦克风或其他传感器等各种来源收集数据。
2. 推理：人工智能体接收信息并使用算法和模型来处理和解释数据。这一步包括理解模式、做出预测或产生反应。
3. 决策：人工智能体会根据自己的感知和推理来决定行动或产出。这些决策旨在实现其程序或学习过程中确定的特定目标或目的。此外，人工智能体将更多地充当助手，而不是取代人类。
4. 行动：人工智能体根据自己的决定执行行动。这可能涉及现实世界中的物理行动（如移动机械臂）或数字环境中的虚拟行动（如在应用程序中进行推荐）。

人工智能体 AI Agent 还存在哪些局限？

人工智能体与 RAG 的区别

总之，RAG 应用程序专门设计用于通过纳入检索机制来增强生成模型的能力；而人工智能体则是更广泛的实体，可以自主执行各种任务。

LangGraph 是什么？

主要优势

1. 循环和分支：与其他使用简单有向无环图（DAG）的框架不同，LangGraph 支持循环和条件，这对创建复杂的AI Agent行为至关重要。
2. 细粒度控制：作为底层框架，LangGraph 可对应用程序的流程和状态进行详细控制，非常适合开发可靠的AI Agent。
3. 持久性：它包括内置的持久性，允许在每一步后保存状态、暂停和恢复执行，并支持错误恢复和人在环工作流等高级功能。

特点

• 循环和分支：在应用程序中实施循环和条件。
• 持久性：每一步后自动保存状态，支持错误恢复。
• 人在回路中：中断执行以获得人工批准或编辑。
• 支持流式输出：在每个节点产生输出时进行流式输出。
• 与 LangChain 集成：与 LangChain 和 LangSmith 无缝集成，但也可独立使用。

LangGraph 受到 Pregel 和 Apache Beam 等技术的启发，拥有类似 NetworkX 的用户友好界面。它由 LangChain 公司开发，为构建可靠、先进的人工智能驱动应用程序提供了强大的工具。

Ollama 是什么？

主要功能

1. 本地部署：直接在本地计算机上运行复杂的 LLM，确保数据隐私并减少对外部服务器的依赖。
2. 用户友好界面：设计直观、易于使用，使不同技术知识水平的用户都能使用。
3. 可定制性：对人工智能模型进行微调，以满足您的特定需求，无论是用于研究、开发还是个人项目。
4. 开源：作为开放源代码，Ollama 鼓励社区贡献和持续改进，促进创新与合作。
5. 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 用户提供了直观、省心的安装方法。我们以前内容中讲过关于下载和使用 Ollama 的内容。
6. Ollama 社区：Ollama 有一个活跃的、以项目为驱动、促进合作与创新的社区。

使用 LangGraph 和 Ollama 创建人工智能体

具体如何启动一台 A100 的主机，可以看我们之前发的教程，虽然教程讲的是H100，但是步骤一样。在启动实例之后，可以跟着下述步骤继续进行。

检查 GPU 配置

nvidia-smi

安装 LangGraph 和相关库

pip install -U langgraph

pip install -U langchain-nomic langchain_community tiktoken langchainhub chromadb langchain langgraph tavily-pythonpip install langchain-openai

export TAVILY_API_KEY="apikeygoeshere"

ollama pull mistral

from langchain import hubfrom langchain_community.tools.tavily_search import TavilySearchResultsfrom langchain.prompts import PromptTemplatefrom langgraph.prebuilt import create_react_agentfrom langchain_openai import ChatOpenAIfrom langchain_core.output_parsers import JsonOutputParserfrom langchain_community.chat_models import ChatOllama

我们将首先定义要使用的工具，并将这些工具与 LLM 绑定。在这个简单的示例中，我们将通过 Tavily 使用内置的搜索工具。

tools = [TavilySearchResults(max_results=3)]llm_with_tools = llm.bind_tools(tools)

prompt = hub.pull("wfh/react-agent-executor")prompt.pretty_print()

使用 Ollama 平台配置 Mistral（可以参考：https://github.com/langchain-ai/langchain/discussions/21907）

llm = ChatOpenAI(model="mistral", api_key="ollama", base_url="http://localhost:11434/v1",)

agent_executor = create_react_agent(llm, tools, messages_modifier=prompt)

================================ System Message ================================
You are a helpful assistant.
============================= Messages Placeholder =============================
{{messages}}

给定的代码片段调用AI Agent执行器来处理输入消息。此步骤旨在向AI Agent执行器发送查询并接收响应。AI Agent将使用其配置的语言模型（在本示例中为 Mistral）、工具和提示来处理消息并生成适当的回复。

response = agent_executor.invoke({"messages": [("user", "explain artificial intelligence")]})
for message in response['messages']:print(message.content)

小结

人工智能体为任务自动化和提高生产力提供了一种灵活的方法。这些AI Agent可以定制来处理各种功能，从简单的任务自动化到复杂的决策过程，使其成为现代企业不可或缺的工具。