LangGraph: LangChainによるAIエージェント作成ツールの紹介

Learning Objectives. Understand what LangGraph is. Explore the basics of LangGraph for building stateful Agents. Explore TogetherAI to access open-access models ...

LangGraph builds upon LangChain and simplifies the process of creating and managing agents and their runtimes.

#### LangGraph: Create an Agent from Scratch LangGraphを使用して、従来のwhile-trueループではなくエージェントをナビゲートします。 Pythonのノートブックがあります。これは、従来のwhile-trueアプローチを使用してエージェントを実装するだけでなく、最近LangGraphの使用を追加しました。 [chat-your-doc/notebooks/llamaindex_agent_from_scratch.ipynb at master · XinyueZ/chat-your-doc](https://github.com/XinyueZ/chat-your-doc) この記事は、従来のwhile-trueとLangGraphを比較することを意図していません。while-trueに慣れている場合、ここで拒否はありません。実際、LangGraphは実用的なアプリケーションでしばしばループを置き換えることができます。 ### アイデア全体は次のとおりです： Agentは「メモリ」を持つ人間と機械のチャットプロセスです。プロセス全体を通じて、LLMがクライアントのツールを使用する必要があるかどうか、つまり**tool_calls**が存在するかどうかを常に意識してください。 グラフには合計3つのノードがあります： - "run_agent"ノード - "run_tool"ノード - "run_agent"をエントリーポイントに設定 - "run_tool"から"run_agent"へのエッジを追加 - "run_agent"からの条件付きエッジを追加 **run_agent**: グラフの**エントリーポイント**であり、LLMと対話することを目的としています。 **run_tool**: LLMとのやり取りで提供される情報に基づいて、ツールを使用するかどうか（**to_run_tool**）を決定します。 - **END**: グラフの最後に到達するノードで、LLMがツールの実行を必要としなくなったときに到達します。ENDはLangGraphによって事前定義されたノードです。 初めに、初期メッセージを送信し、チャット履歴（メッセージ）に追加します。 グラフの状態は以下のように定義されます： ```python class GraphState(TypedDict): messages: Optional[Sequence[ChatMessage]] = None # モデルとのやり取りの履歴 chat_response: Optional[ChatResponse] = None # モデルの最新の応答 tool_call: Optional[ChatCompletionMessageToolCall] = None # モデルが必要とするツール ``` 以上がLangGraphを使用してエージェントを作成する方法についての要約です。

#### LangGraphエージェントワークフローの実践：カスタムツールを使用したLangChainコーディングエージェントの構築 LangGraphを使用して、LangChainコードを生成する単純なLangChainアプリケーションのビデオを以前に録画しました。今日は、その同じことを事前定義されたステップの連鎖ではなく、エージェントとして行う方法をLangGraphを使用して示したいと思います。LangChainは最近LangGraphを導入しました。これは、エージェントを完全にカスタマイズするための素晴らしい方法です。それでは、手順を追っていきましょう。 まず、OpenAIとの手動でのやり取り方法を簡単に実行します。OpenAIとのやり取りには、シンプルなリストを送信するだけで行います。システムメッセージを設定し、ユーザーメッセージを送信し、アシスタントメッセージを受け取ります。これらを繰り返すことで、OpenAIとの対話を行います。次に、数値を追加および乗算するためのカスタムツールを追加します。これにより、数値の追加および乗算の精度が向上します。 次に、LangChainエージェントを使用して、同じLangChainエージェントをLangGraphで再構築します。LangGraphを使用すると、カスタムツールを指定し、エージェントを実行するだけで、手動での作業が簡素化されます。LangGraphを使用することで、エージェントの内部を指定することができ、操作が容易になります。 最後に、特定のリクエストを処理するために構築した特定のエージェントの手順を簡単に示します。このエージェントは、初期リクエストを受け取り、それに応じてコードを生成し、コードをレビューし、保存するなどの作業を行います。これらの手順を通じて、LangGraphを使用してカスタムツールを組み込んだエージェントを構築する方法を示しました。 これにより、LangGraphを使用してLangChainコーディングエージェントを構築する手順が明確になりました。LangGraphを活用することで、エージェントのカスタマイズが容易になり、効率的な作業が可能となります。

In this article, we'll introduce LangGraph, walk you through its basic concepts, and share some insights and common points of confusion for ...

#### 顧客フィードバックへの取り組み 顧客フィードバックを真剣に受け止め、すべての意見を読んでいます。 すべての利用可能な修飾語を確認するには、[こちらのドキュメント](https://example.com/documentation)をご覧ください。

#### Introducing LangGraph: Crafting Intelligent Language Agents Just Got Easier! 🚀 LangGraphは、AIや言語モデルの世界を揺るがす革新的なツールです。LangChainの堅牢な基盤の上に構築されたLangGraphは、単なる拡張機能ではなく、複数のチェーンやアクターを複雑な状態を持つアプリケーションに織り込むことができる画期的なツールです。 #### LangGraphの特徴 - LangGraphは従来の線形的なアプローチを打破し、人間の言語や対話の複雑さと適応性を反映したものです。 - LangGraphは、リアルタイムで進化し適応するアプリケーションにおいて重要な循環的アプローチを提供します。 - LangGraphは、LangChainやTavilyなどのツールと美しく同期し、設定に時間をかけることなく創造に集中できます。 #### LangGraphの中心 - StatefulGraphはLangGraphの中心であり、各ノードがデータを単にやり取りするのではなく、知恵深いメンターが自らの弟子の考えを形作るようにデータを変換し豊かにします。 #### LangGraphの利点 - LangGraphを使用してエージェントを設計することは、各ノードが最終的な傑作に深みを加える交響曲を作るような感覚です。 - LangGraphの条件付きエッジは、アプリケーションに戦略的な意思決定のレイヤーを追加します。 #### 推奨される次の読み物 - ストリーミングと非同期操作によるリアルタイム応答 - 実際の例：LangGraphを使用して情報を素早く見つけるための仮想アシスタントを構築する場合 LangGraphは言語モデルアプリケーションの新たなフロンティアであり、開発者が複雑で状態を持つマルチアクターアプリケーションの世界に飛び込むための理想的なツールです。LangGraphに飛び込んで、言語モデルの可能性を最大限に引き出しましょう！ 🚀 [LangGraphの詳細](https://langgraph.com) 

#### Agent Supervisor in Multi-Agent Workflow in LangGraph | by ... **概要:** LangGraphのエージェントスーパーバイザーは、複数のエージェントワークフロー内の中央コントローラーとして機能し、さまざまなエージェント間のコミュニケーションとタスク配布を組織します。これは、1つのエージェントからの出力を受け取り、これらのメッセージを解釈し、その後、タスクの流れを適切に誘導することで機能します。このスーパーバイザーは、アクションのシーケンスを管理し、...

Helpful conceptual model to develop. You can evaluate and improve each agent individually without breaking the larger application. Multi-agent ...

Write better code with AI · Code review. Manage code changes · Issues. Plan and track work · Discussions. Collaborate outside of code. Explore.

#### LangGraph: Agent Orchestrator LangGraphは、マイクロサービスの伝統的な世界において、エージェント間の相互作用のための2つのデザインパターン、「Orchestration（オーケストレーション）」と「Choreography（コレオグラフィ）」が存在することを指摘しています。これらは分散世界で非常に人気のあるパターンです。LangGraphは、マルチエージェントの相互作用空間でこれらのパターンの適用可能性に焦点を当てています。 #### マイクロエージェントシステムのモノリシックな開発 LangGraphは、多くのマルチエージェントシステムが非常にモノリシックな方法で開発されていることを指摘しています。エージェントとエージェントのステッチングが同じコンポーネントで行われ、それにより2つの間に緊密な結合が生じています。LangGraphは、新しい言語モデルベースのエージェント相互作用の世界で、マイクロサービスの設計原則を活用していない理由について疑問を投げかけています。 #### LangGraphの機能 LangGraphは、マルチエージェントの相互作用において**共有状態をエージェントに利用可能にする**ことが重要であると述べています。LangGraphは、LCEL（Langchain Expression Language）を拡張して、エージェントがサイクリックな方法で複数の計算ステップを調整できるようにするライブラリを作成しています。 #### LangGraphの機能とOrchestration LangGraphは、マイクロエージェントを繋ぎ合わせるために「Orchestration」パターンを実装しています。LangGraphは、共有状態を作成し、各ノードがその状態を見たり更新したりできるようにするための関数を公開しています。 #### LangGraphの適用範囲 LangGraphは、**意味論的世界と構文論的世界**を結びつけることにも適用可能であり、マイクロサービスパターンがマイクロエージェントパターンに変化し、構文論的な世界と意味論的な世界が複雑なユースケースを解決するために統合されることを示唆しています。 #### LangGraphの参考情報 [LangGraph Reference](https://python.langchain.com/docs/langgraph)

This article delves into the process of developing a Multi-agent Coder utilizing LangGraph, exploring its capabilities and the integration ...

... agent reviews the code, another Coder AI agent rewrites the code and again sends for ...

Managing Agent Steps¶. In this notebook we will go over how to build a basic agent executor where we custom handle how to manage the intermediate steps.

Hello, I am using your great framework, aka multiple agents, to build scientific bot to answer scientists. One feature of application is memory for ...

In this video, I walk through how to build a LangChain-writing agent using LangGraph. I'll ...

This post outlines how to build 3 reflection techniques using LangGraph, including implementations of Reflexion and Language Agent Tree Search.

This multifaceted approach is becoming increasingly preferred for developing sophisticated virtual assistants, copilots, and AI agents for ...

#### LangGraph and Reflection Agents - This Week in AI 人工知能の領域で常に進化を続ける中、OpenAIのLangGraphは、画期的なコード生成と分析のアプローチを導入することで注目を集めています。 GitHub Co-Pilotなどのツールの台頭や、GPT-engineerなどのプロジェクトの人気により、この領域で革新的なソリューションへの需要は過去最高になっています。LangGraphは、AlphaCodiumなどの最近の進歩に触発されたフローのパラダイムを活用して、コード生成の効率を向上させることを目指しています。 LangGraphは、複雑なフローをグラフとして表現することを可能にするフローエンジニアリングをサポートするよう設計されています。AlphaCodiumやReflexionの成功を受けて、LangGraphは、反復サイクルと意思決定点を用いたコード生成の実装においてその能力を示そうとしています。 LangGraphの主な焦点は、次の2つの異なるアーキテクチャを用いたコード生成の比較と評価です： 1. プロンプトとコンテキストスタッフィングを使用したコード生成。 2. コードチェック、実行、エラーフィードバック、および自己修正のためのリフレクションを含むコード生成フロー。 調査結果は非常に注目に値します：コードを検証し修正を試みるシステムは、単一の生成方法よりも著しい改善を示しました。特に、反復的なアプローチは、基準値の55％に対して81％の成功率を達成しました。これは、性能の大幅な向上を示し、LangGraphがコード生成システムの改善において持つ潜在能力を強調しています。 LangChain Expression Language（LCEL）に関連する文書の焦点を当てたコーパスが選ばれ、LCELに言及する約500の質問からなるサブセットがクラスタリングされました。LangChain関連のチャット議論から30日間のデータを収集し、各質問に対してグラウンドトゥルースの回答が手動で生成され、評価セットが形成されました。 LangGraphのコード生成フローには、GPT-4を使用したLCEL文書のコンテキストスタッフィング、出力をPydanticオブジェクトにパースし、2つの重要な段階でのインポート実行とコード実行でのチェックが含まれます。重要なのは、どのチェックでも失敗した場合、システムは3回までリトライするリフレクションステップを取ることです。 比較評価では、LangSmithをLangGraphなしのコンテキストスタッフィングの基準として使用しました。その結果、エラーチェック、フィードバック、リフレクションステップを備えたLangGraphは、インポートテストで100％の成功率、コード実行テストで驚異的な81％の成功率を達成しました。一方、単独のコンテキストスタッフィングは、インポートテストで約98％の精度を示しましたが、コード実行では55％にとどまりました。 LangGraphは、反復サイクルと意思決定点を持つエンジニアリングフローの強力なツールとして浮かび上がり、特にコード生成にとって有益です。LCEL関連の質問の成功した実装とテストは、LangGraphがチェックとリフレクションを組み込むことでコード実行を向上させる潜在能力を示しています。調査結果は、LangGraphがコード生成システムを進化させ、コーディングの質問に対する回答を反復的に改善する可能性を示唆しています。 人工知能（AI）システムの品質と成功率を向上させるための飛躍として、OpenAIが開発したLangGraphは、3つの画期的なリフレクション技術を導入しています。これを理解するためには、これらの技術を実装し、AIエージェントの動作方法を革新する潜在能力を強調する必要があります。 プロンプト戦略としてのリフレクションは、AIエージェントの能力を向上させる強力なツールとして浮かび上がります。これは、大規模言語モデル（LLM）に過去の行動を反省し批評させることで、反復的な改善を可能にします。ここでは、LangGraphを使用した3つの異なるリフレクション技術を詳しく探求し、これらがAIシステムのパフォーマンスに与える影響を強調します。 人間の認知からの類推を行うと、反射的または自発的な「システム1」と、方法論的で反省的な「システム2」の思考の違いを認識することが重要です。AIシステムにリフレクションを導入することで、純粋に反応的なパターンから離れ、システム2の思考に近い行動を促進することを目指しています。 1. **基本的なリフレクション:** - 2つのLLMコールを組み合わせる：ジェネレータとリフレクタ。 - ジェネレータはユーザーのリクエストに直接応答し、リフレクタは教師として機能し、建設的な批評を提供します。 - 一定回数の反復が行われ、最終的な出力が生成されます。 LangGraphのループの表現には条件付きエッジと状態グラフが含まれており、モデルが複数の試行を通じて出力を洗練させることができます。 2. **リフレクション:** - Shinnらによるアーキテクチャに基づく、外部データに基づいた明確な批評を含むリフレクション。 - アクターエージェントは各応答を批評し、引用の生成や応答の側面の列挙を強制します。 - ロジックはLangGraphで定義され、ドラフトレスポンダ、ツール実行、ループ内で応答するリビザーが含まれます。 リフレクションは、建設的な反省を生み出し、ジェネレータを改善された応答に導きます。 3. **言語エージェントツリーサーチ（LATS）:** - Zhouらに触発されたLATSは、リフレクション、評価、および検索を組み合わせてタスクのパフォーマンスを向上させます。 - 強化学習のフレーミングを採用し、LLMコールを使用して複雑なタスクに適応し問題を解決します。 - 検索プロセスには選択、展開とシミュレーション、リフレクションと評価、およびバックプロパゲーションが含まれます。 LangGraphの実装は、状態と意思決定を表現し、総合的な推論と計画に対するアプローチを提供します。 これらのリフレクション技術のLangGraphによる実装は、AIシステムの開発と適用におけるパラダイムシフトを示しています。これらのアプローチは追加の計算リソースを要求しますが、知識集約的なタスクにおいて応答の質が速度を上回る場面での向上された出力品質のトレードオフは価値があります。 LangGraphリポジトリで提示された例は、これらのリフレクション技術の柔軟性と潜在的な影響を示す証拠となっています。AIが進化し続ける中、反射的戦略を統合することは、AIの能力を向上させ、複雑なタスクにおける問題解決と推論の向上に大きく貢献することを約束しています。