护肤品网站优化案例广州营销策划公司有哪些

护肤品网站优化案例,广州营销策划公司有哪些,网站建设 本溪红海传媒,小程序微信开发简介 文章详解LangChain 1.0全新create_agent() API#xff0c;统一了Agent创建方式#xff0c;使Agent从简单模型调用器转变为具备上下文感知、决策与执行能力的智能运行体。介绍了模型选择、工具接入#xff08;内置和自定义#xff09;、ReAct循环调用、记…简介文章详解LangChain 1.0全新create_agent() API统一了Agent创建方式使Agent从简单模型调用器转变为具备上下文感知、决策与执行能力的智能运行体。介绍了模型选择、工具接入内置和自定义、ReAct循环调用、记忆管理等核心功能展示了基于LangGraph的Agent Runtime架构及其在可扩展性、可观测性方面的优势为构建生产级智能体系统提供实践指导。LangChain 1.0 入门实战教学Agent开发流程LangChain 1.0 的重磅变化之一就是引入了全新的 create_agent() API。至此LangChain 的 Agent 不再只是简单的“模型调用器”而是一个可感知上下文、具备决策与执行能力的 智能运行体Intelligent Runtime Unit。本章重点介绍 create_agent() API 的使用方法。一、 一体化 Agent API在 LangChain 0.x 时代Agent 系统经历了“碎片化”阶段create_react_agent → 思维链推理create_structured_chat_agent → 结构化对话create_tool_calling_agent → 工具调用。这种设计灵活但分散导致学习曲线陡峭、模块难以复用。而在 1.0 版本中所有入口被统一为 create_agent()接下来我们通过一个简单的示例来演示# 1.导入相关库from langchain.agents import create_agentfrom langchain_deepseek import ChatDeepSeekfrom langchain_community.tools.tavily_search import TavilySearchResults# 2.导入模型和工具web_search TavilySearchResults(max_results2)model ChatDeepSeek(modeldeepseek-chat)# 3.创建Agentagent create_agent( modelmodel, tools[web_search], system_prompt你是一名多才多艺的智能助手可以调用工具帮助用户解决问题。)# 4.运行Agent获得结果result agent.invoke( {messages: [{role: user, content: 请帮我查询2024年诺贝尔物理学奖得主是谁}]})result[messages][-1].content二、LangGraph 驱动的 Agent RuntimeLangChain 1.0 将 LangGraph 下沉为底层执行引擎。换句话说通过 create_agent API 创建的每个 Agent 的生命周期、每次模型调用、每个工具执行都是 LangGraph 图中的一个节点或边。 统一架构的优势接口统一降低心智负担无论是工具型、规划型还是对话型 Agent共用同一 API 创建。跨生态兼容性强与 LangServe、LangGraph甚至 OpenAI Responses API 都完全兼容。中间件机制允许通过装饰器在生命周期中插入自定义逻辑。如日志、速率限制、记忆压缩、内容重写等。使 Agent 具备可观察性与可管理性。扩展性强基于标准化状态流State Graph用户可以自由地扩展 Agent 行为而不破坏核心逻辑。三、使用 create_agent 接入组件LangChain 1.0 中 Agent 不再是简单的脚本而是包含循环推理Agent Loop的智能体在 create_agent() 的底层运行机制中最重要的三个组件分别是模型Model负责理解任务与决策推理。它既可以是静态模型固定不变也可以是动态模型根据上下文切换。工具Tools由模型选择调用不同工具来实现特定子任务例如联网搜索web_search、计算公式calculate、查询数据源database_query中间件Middleware负责在模型调用前后拦截请求、修改参数、或动态调整模型选择逻辑是 LangChain 1.0 的强大扩展机制。模型调用示例静态模型调用示例from langchain.agents import create_agentagent create_agent(deepseek:deepseek-chat, toolstools)或先实例化模型然后再将实例化后的模型带入create_agent中创建Agent这样可以进行更多的参数设置from langchain_deepseek import ChatDeepSeekfrom langchain.agents import create_agentmodel ChatDeepSeek( modeldeepseek-chat, temperature0.1, max_tokens1000, timeout30)agent create_agent(model, toolstools)动态模型Dynamic Model模式允许智能体在运行时切换模型实现性能与成本优化通过中间件wrap_model_call装饰器实现。接入内置工具LangChain 提供了丰富的内置工具库搜索、数据库、Slack、Jira、文件系统等可通过 langchain_community 快速接入。LangChain内置工具列表https://python.langchain.com/docs/integrations/tools/以其中内置的TavilySearchResults网络搜索工具为例借助Tavily进行网络搜索和信息爬取。来介绍如何将内置工具接入create_agent中。需要先在tavily官网注册并获得API-KEY每月有免费额度https://www.tavily.com/然后将API-KEY写到本地.env中的TAVILY_API_KEY变量中。然后即可进行调用。from langchain_community.tools.tavily_search import TavilySearchResultsweb_search TavilySearchResults(max_results2)web_search.invoke(请问截至目前2025年诺贝尔奖颁发了几个)将工具直接带入create_agent中作为外部工具。# 1.导入相关库from langchain.agents import create_agentfrom langchain_deepseek import ChatDeepSeekfrom langchain_community.tools.tavily_search import TavilySearchResults# 2.导入模型和工具web_search TavilySearchResults(max_results2)model ChatDeepSeek(modeldeepseek-chat)# 3.创建Agentagent create_agent( modelmodel, tools[web_search], system_prompt你是一名多才多艺的智能助手可以调用工具帮助用户解决问题。)# 4.运行Agent获得结果result agent.invoke( {messages: [{role: user, content: 请帮我查询2024年诺贝尔物理学奖得主是谁}]})result[messages][-1].content接入自定义工具与 ReAct 循环智能体的核心在于能调用外部工具。以下示例创建一个可查询实时天气的自定义工具这里需要先登录openweather官网获取API-KEYhttps://home.openweathermap.org/ 然后将其写入.env中的OPENWEATHER_API_KEY变量中。import requests, os, jsonfrom langchain.tools import tooldef get_weather(loc): 查询即时天气函数 :param loc: 必要参数字符串类型用于表示查询天气的具体城市名称\ 注意中国的城市需要用对应城市的英文名称代替例如如果需要查询北京市天气则loc参数需要输入Beijing :returnOpenWeather API查询即时天气的结果具体URL请求地址为https://api.openweathermap.org/data/2.5/weather\ 返回结果对象类型为解析之后的JSON格式对象并用字符串形式进行表示其中包含了全部重要的天气信息 # Step 1.构建请求 url https://api.openweathermap.org/data/2.5/weather # Step 2.设置查询参数 params { q: loc, appid: os.getenv(OPENWEATHER_API_KEY), # 输入API key units: metric, # 使用摄氏度而不是华氏度 lang:zh_cn # 输出语言为简体中文 } # Step 3.发送GET请求 response requests.get(url, paramsparams) # Step 4.解析响应 data response.json() return json.dumps(data)带入到create_agent中创建一个简易的天气查询Agent# 1.导入相关库from langchain.agents import create_agentfrom langchain_deepseek import ChatDeepSeekfrom langchain_community.tools.tavily_search import TavilySearchResults# 2.导入模型model ChatDeepSeek(modeldeepseek-chat)# 3.创建Agentagent create_agent( modelmodel, tools[get_weather], system_prompt你是一名多才多艺的智能助手可以调用工具帮助用户解决问题。)# 4.运行Agent获得结果result agent.invoke( {messages: [{role: user, content: 请问北京今天天气如何}]})result[messages][-1].content对于create_agent API来说其工具调用的核心逻辑也是React循环工具调用即可以在简短的推理步骤和有针对性的工具调用之间交替并将得到的观察结果反馈到后续决策中直到他们能够给出最终答案。并且具备如下特性按顺序调用多个工具由单个提示触发适当时并行调用工具根据先前结果进行动态工具选择工具重试逻辑和错误处理跨工具调用的状态持久性并发调用示例并发调用天气查询工具分别查询杭州和南昌的天气result agent.invoke( {messages: [{role: user, content: 请问今天杭州和南昌哪里更冷}]})按顺序多步调用示例:先查询天气、然后写入到本地文件import osfrom datetime import datetimetooldef write_file(content: str) - str: 将指定内容写入本地文件。 :param content: 必要参数字符串类型用于表示需要写入文档的具体内容。 :return: 写入结果提示信息。 try: # ✅ 始终先定义文件名防止未绑定变量 timestamp datetime.now().strftime(%Y%m%d_%H%M%S) filename foutput_{timestamp}.txt # 写入文件 with open(filename, w, encodingutf-8) as f: f.write(content) abs_path os.path.abspath(filename) return f✅ 已成功写入本地文件{abs_path} except Exception as e: return f❌ 文件写入失败{str(e)}agent create_agent( modelmodel, tools[get_weather, write_file], system_prompt你是一名多才多艺的智能助手可以调用工具帮助用户解决问题。)result agent.invoke( {messages: [{role: user, content: 请帮我查询天津、石家庄、上海等地天气并写入本地文件。}]})result[messages][-1].content如果出现调用工具报错一般会尝试2-3次之后停止尝试。此外关于调用工具报错信息的输出格式、以及控制报错响应流程都可以使用中间件来完成。create_agent记忆管理在实际进行Agent开发时智能体记忆管理至关重要。from langgraph.checkpoint.memory import InMemorySavercheckpointer InMemorySaver()tools [get_weather]agent create_agent(modelmodel, toolstools, checkpointercheckpointer)config { configurable: { thread_id: 1 }}response agent.invoke( {messages: [{role: user, content: 你好我叫陈明好久不见}]}, config)response[messages][-1].content此时记忆就自动保存在当前Agent和线程中当我们再次进行对话时直接带入线程ID即可带入此前对话记忆response agent.invoke( {messages: [{role: user, content: 你好请问你还记得我叫什么名字么}]}, config)response[messages][-1].content而如果更新线程ID则会重新开启对话config2 { configurable: { thread_id: 2 }}总结LangChain 1.0 的 Agent 框架代表了 AI 编程方式的重大演进从“模型调用” → “智能运行体”从“函数封装” → “状态图驱动”从“单轮调用” → “多步决策与工具调度”。其底层的 LangGraph 架构与中间件机制使得 Agent 真正具备了可扩展、可部署、可观测的能力成为通往 生产级智能体系统 的关键桥梁。如何学习AI大模型大模型时代火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业”“谁的饭碗又将不保了”等问题热议不断。不如成为「掌握AI工具的技术人」毕竟AI时代谁先尝试谁就能占得先机想正式转到一些新兴的 AI 行业不仅需要系统的学习AI大模型。同时也要跟已有的技能结合辅助编程提效或上手实操应用增加自己的职场竞争力。但是LLM相关的内容很多现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学学习成本和门槛很高那么针对所有自学遇到困难的同学们我帮大家系统梳理大模型学习脉络将这份LLM大模型资料分享出来包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴可以扫描下方二维码领取↓↓↓学习路线第一阶段 从大模型系统设计入手讲解大模型的主要方法第二阶段 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段 大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段 以SD多模态大模型为主搭建了文生图小程序案例第七阶段 以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。1.AI大模型学习路线图2.100套AI大模型商业化落地方案3.100集大模型视频教程4.200本大模型PDF书籍5.LLM面试题合集6.AI产品经理资源合集获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】