Создание системы на основе ИИ-агентов с LangGraph: человек в процессе работы

 Creating an AI Agent-Based System with LangGraph: Putting a Human in the Loop

Создание системы на основе ИИ-агента с LangGraph: вовлечение человека в процесс

В нашем предыдущем уроке мы создали ИИ-агента, который может отвечать на запросы, используя интернет. Теперь мы добавим возможность вовлечения человека для контроля действий агента. Это можно легко сделать с помощью LangGraph. Давайте разберемся, как это работает.

Настройка агента

Сначала установите необходимые библиотеки и настройте переменные окружения:

pip install langgraph==0.2.53 langgraph-checkpoint==2.0.6 langgraph-sdk==0.1.36 langchain-groq langchain-community langgraph-checkpoint-sqlite==2.0.1
  

Определение агента

Создайте класс агента, который будет управлять действиями и взаимодействиями:

class Agent:
    def __init__(self, model, tools, checkpointer, system=""):
        # Настройка графа состояния и инструментов
  

Добавление человека в процесс

Мы добавим параметр interrupt_before=["action"], чтобы обеспечить ручное подтверждение перед выполнением действий:

self.graph = graph.compile(checkpointer=checkpointer, interrupt_before=["action"])
  

Запуск агента

Инициализируйте систему с помощью того же запроса и модели. При вызове агента передайте конфигурацию потока:

for event in abot.graph.stream({"messages": messages}, thread):
    # Обработка событий
  

Интерактивное подтверждение человека

Реализуйте простой цикл, который будет запрашивать у пользователя подтверждение перед продолжением выполнения:

while abot.graph.get_state(thread).next:
    _input = input("Proceed? (y/n): ")
  

Практическое применение ИИ

Если вы хотите, чтобы ваша компания развивалась с помощью ИИ, используйте полученные знания для внедрения решений:

  • Анализируйте, как ИИ может изменить вашу работу.
  • Определите, где можно применить автоматизацию.
  • Выберите ключевые показатели эффективности (KPI) для улучшения.
  • Внедряйте ИИ постепенно, начиная с небольших проектов.

Если вам нужны советы по внедрению ИИ, пишите нам.

Попробуйте ИИ-ассистента в продажах, который поможет отвечать на вопросы клиентов и генерировать контент.

Узнайте, как ИИ может изменить ваши процессы с решениями от Flycode.ru.

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект

Новости

  • Революция в аудиорешениях для бизнеса: Higgs Audio от Boson AI

    Преобразование Операций Предприятия с Решениями Higgs Audio Введение В современном бизнесе, особенно в таких секторах, как страхование и поддержка клиентов, аудиоданные являются важным активом. Boson AI представила два инновационных решения — Higgs Audio…

  • Инновации в MLOps: Опыт Хамзы Тахира и ZenML

    Практические бизнес-решения для трансформации MLOps Введение Используя опыт Хамзы Тахира и платформу ZenML, компании могут оптимизировать свои процессы разработки машинного обучения (ML) и получить значительные преимущества. Ниже представлены шаги для внедрения этих решений.…

  • BrowseComp: Новый стандарт для оценки навыков веб-серфинга ИИ

    Практические бизнес-решения Компании могут использовать идеи из BrowseComp для улучшения своих стратегий в области ИИ: 1. Определите возможности автоматизации Изучите задачи, которые можно автоматизировать, особенно в взаимодействии с клиентами, чтобы повысить эффективность. 2.…

  • Иронвуд: Новый TPU от Google для оптимизации производительности ИИ-инференса

    Практические бизнес-решения с использованием Ironwood Ironwood, новый TPU от Google, предлагает множество возможностей для трансформации бизнеса с помощью искусственного интеллекта. Вот как его внедрение может улучшить бизнес-процессы и реальные результаты. Ключевые преимущества Ironwood…

  • Запуск VAPO: Революционная платформа для улучшенного обучения в AI

    Введение в VAPO ByteDance представила VAPO — новую структуру обучения с подкреплением, предназначенную для решения сложных задач рассуждения в больших языковых моделях. VAPO улучшает точность оценки, что критично для сложных сценариев рассуждения. Проблемы…

  • Эффективное понимание длинных видео с использованием T* и LV-Haystack

    Введение в понимание длинных видео Понимание длинных видео стало значительной задачей в области искусственного интеллекта. Для эффективного извлечения информации из длительного контента необходимо разрабатывать практические решения. Решение проблем анализа видео Традиционные модели видео…

  • Оптимизация бюджета вывода для моделей самосогласованности и генеративных вознаграждений в ИИ

    Введение в оценку бюджета вывода с помощью ИИ Данный документ представляет собой практическое решение для оценки бюджета вывода при использовании ИИ в бизнесе. Внедрение искусственного интеллекта может значительно улучшить результаты работы организации. Шаги…

  • Agent2Agent: Новый Протокол Сотрудничества AI Агентов

    Преобразование бизнеса с помощью Agent2Agent Google представил Agent2Agent (A2A) — инновационный протокол, который позволяет AI-агентам безопасно сотрудничать на различных платформах. Этот протокол упрощает рабочие процессы, вовлекающие несколько специализированных AI-агентов, улучшая их взаимодействие. Преимущества…

  • Запуск набора инструментов разработки агентов (ADK) от Google для многопользовательских систем

    Введение в ADK Google недавно представила набор инструментов для разработки агентов (ADK), который является открытым фреймворком для разработки, управления и развертывания многопользовательских систем. Этот фреймворк написан на Python и подходит для различных приложений,…

  • Роль “впитывающих” вниманий в стабилизации больших языковых моделей

    Понимание “впитывающих” механизмов внимания в больших языковых моделях Большие языковые модели (LLMs) имеют уникальное поведение, известное как “впитывающие” механизмы внимания. Это явление имеет значительные последствия для стабильности и производительности моделей, что может улучшить…

  • TorchSim: Революция в атомистических симуляциях с помощью PyTorch

    Введение в TorchSim TorchSim – это инновационный движок атомистического моделирования, который значительно улучшает симуляции материалов, делая их быстрее и эффективнее традиционных методов. Это позволяет отдельным ученым решать несколько задач одновременно. Ключевые особенности TorchSim…

  • API Evals от OpenAI: Оптимизация оценки моделей для бизнеса

    Введение в Evals API OpenAI представила Evals API, мощный инструмент для упрощения оценки больших языковых моделей (LLMs) для разработчиков и команд. Этот новый API позволяет программно проводить оценку, позволяя разработчикам определять тесты, автоматизировать…

  • Запуск моделей APIGen-MT и xLAM-2-fc-r для обучения агентов с многоходовыми взаимодействиями

    Введение Инновационные модели Salesforce AI, APIGen-MT и xLAM-2-fc-r, значительно улучшают способности AI-агентов в управлении сложными многоуровневыми взаимодействиями. Эти решения особенно актуальны для бизнеса, который зависит от эффективной коммуникации и выполнения задач. Проблема многоуровневых…

  • Huawei Dream 7B: Революционная Модель Диффузионного Размышления для Бизнеса

    Практические бизнес-решения на основе Dream 7B Модель Dream 7B от Huawei предлагает революционные возможности для автоматизации и улучшения бизнес-процессов. Внедрение этой технологии может значительно повысить эффективность и качество работы организаций. Как улучшить бизнес…

  • МегаСкейл-Инфер: Революционная система для эффективного обслуживания LLM на основе MoE

    Введение MegaScale-Infer: Оптимизация Производительности Больших Языковых Моделей Большие языковые модели (LLMs) играют важную роль в различных приложениях, таких как чат-боты и генерация кода. Однако с увеличением их размеров возникают проблемы с эффективностью вычислений.…

  • Инновации в тактильном восприятии: решение для бизнеса с использованием ИИ

    Преобразование тактильного восприятия с помощью ИИ: Практические бизнес-решения Понимание технологии тактильного восприятия Тактильное восприятие необходимо для эффективного взаимодействия интеллектуальных систем с физической средой. Технологии, такие как сенсор GelSight, предоставляют подробную информацию о контактных…

  • LLM+FOON: Улучшение планирования кулинарных задач для роботов

    Введение Разработка роботов для домашнего использования, особенно в кулинарии, становится все более актуальной. Эти роботы должны выполнять различные задачи, требующие визуальной интерпретации, манипуляции и принятия решений. Использование LLM+FOON фреймворка может значительно улучшить планирование…

  • Создание локального RAG-пайплайна с Ollama и DeepSeek-R1 на Google Colab

    Практические бизнес-решения с использованием RAG-пайплайна Создание RAG-пайплайна с использованием Ollama и Google Colab может значительно улучшить бизнес и повседневную жизнь. Вот как это может повысить результаты бизнеса: Преимущества Эффективный доступ к информации из…