暂无搜索历史
swig 是1个可以将C/C++包装成其它语言(比如:C#, java , python)接口的工具,直接下载即可使用。
携程 | 软件技术专家 (已认证)
经过node-1节点时,根据该节点的输出状态值,来决定流向node-2,还是node-3 ?
注:循环工作流可以看成 条件工作流的一个变种。node1 -> node2 -> node1 这样就形成了1个死循环(loop),为了能跳出死循环,用条件边来判...
接上节继续,前面的3种基本工作流演示,节点上携带的状态数据使用的是默认的AgentState
接上节继续,用过Spring框架的同学都知道,Spring中的AOP,可以在无侵入的情况下,对原有的代码逻辑做增强(比如:在代码执行前后,自动记录日志、计算方法...
虽然图上看着貌似node-2,node-3并行在跑,但真的如此吗?我们把node-2和node-3的apply()里加点sleep
接上节继续,流式响应在LLM应用中是改善用户体验的重要手段之一,可以有效缓解长耗时应用的用户焦虑感。
接上节继续,Checkpoint(检查点)的主要作用是保存图执行过程中的状态,让图可以在需要时暂停并在之后从断点恢复执行,通常需要与interrupt结合使用。
接上节继续,在某些循环迭代流程中,希望人工干预来影响流程走向,也就是所谓的human_in_the_loop
LangGraph是一个状态管理和工作流编排框架,专注于构建复杂的多步骤应用,LangGraph4j是LangGraph开源生态中的java实现。
注:20-29行硬编码的方式指定需要用到的工具列表,也可以去掉,在运行时,类似ReAct一样,一股脑把sampleTools全扔给Planner调用的LLM,从...
接上节继续,前面讨论的这个AI招聘示例,并非所有环节都需要AI参与,比如:HR、经理、团队对简历分别做出评价后,【计算平均分】以及【根据平均分更新状态(比如:平...
这次我们不再讨论前文的招聘场景,而是学习一种更为广泛使用的Agent模式:ReACT (推理+行动)。先来看示意图:
经过前面的一系列流程,招聘来到了最重要的1个环节,AI虽然强大,但是不能完全代替人做决定,最终还是要Boss决策这个候选人的去留。从系统设计角度来说,整个AI智...
书接上回,这次学习一种更高级的模式:监督者模式。职场上的牛马们,大家回想一下,每次部门的OKR,是怎样层层拆解最终落地的?是不是得有一个大佬(即:监督者),根据...
前面已经学习了 顺序、循环、条件分支、并行 这4种基本的工作流编排方式,利用这些可以组合出各种复杂的逻辑。下面将前面招聘的整个流程串起来,做一个相对比较完整的工...
书接上回,简历评估完后,根据评估结果,如果合格,公司就该通知面试,否则回邮件拒绝。也就是今天要演示的“条件工作流”。下面定义这2个分支对应的Agent:
书接上回,现在简历已经润色得足够好了,投递到了HR手上,假设跟候选人也做了初步的电话沟通。接下来,公司需要对候选人做如下审查:
接上节继续,仍然还是这个简历优化的示例,这次引入1个 “简历审阅者(CVReviewer)”的角色,定义如下:
接上节继续,本篇将演示 顺序工作流的实现(即:Building Effective AI Agents \ Anthropic 中的 Prompt Chain模...
暂未填写学校和专业