基于LangGraph多智能體技術，搭建AI寫作自動化系統
1 LangGraph概述
LangGraph是LangChain的增強版，專注于構建智能體及多智能體流程。其核心優勢在于新增的循環流程構建功能以及內嵌的記憶機制，這些特性對于智能體的構建極為重要。
LangGraph為開發者提供了高度的控制能力，這在自定義智能體和流程的開發中極為關鍵。市面上絕大多數的智能體都是針對特定應用場景進行了定制。
LangGraph不僅賦予了開發者靈活定制智能體的能力，還提供了直觀且易于操作的開發體驗。
2 構建終極自主研究智能體
借助LangGraph的強大功能，我們能夠通過集結具備專業技能的多個智能體，顯著提高研究工作的深度與品質。每個智能體專注于其獨特技能，這不僅能夠優化任務分工，增強定制性，還為項目的擴展與規?；l展奠定了基礎。
本示例展示了一個AI智能體團隊如何通力合作，對特定主題進行全面研究，涵蓋從策劃到發布的全過程。在此過程中，會特別應用前沿的自主研究智能體——GPT Researcher。
2.1 研究智能體團隊
研究團隊由七個大型語言模型智能體組成：
- 主編智能體 —— 負責監督研究過程并管理整個團隊。這是使用LangGraph協調其他智能體的“主”智能體，充當LangGraph的主要接口。
- GPT研究智能體 —— 一個專門進行特定主題深入研究的自主智能體。
- 編輯智能體 —— 負責規劃研究大綱和結構。
- 審稿智能體 —— 根據一套標準驗證研究結果的正確性。
- 修訂智能體 —— 根據審稿智能體的反饋修訂研究結果。
- 寫作智能體 —— 負責匯編并撰寫最終報告。
- 出版智能體 —— 負責將最終報告以多種格式發布。
2.2 架構
如下圖，自動化過程基于以下階段：規劃研究、數據收集與分析、審查與修訂、編寫報告，最后是出版：
更具體的流程如下：
- 瀏覽器（gpt-researcher）——基于給定的研究任務，瀏覽互聯網進行初步研究。這一步對于LLMs來說非常重要，以便根據最新和相關信息規劃研究過程，而不是僅依賴于針對給定任務或主題的預訓練數據。
- 編輯——根據初步研究規劃報告大綱和結構。編輯還負責觸發基于計劃大綱的并行研究任務。
- 對于每個大綱主題（并行）：
- 研究員（gpt-researcher）——對子主題進行深入研究并撰寫草稿。這個智能體利用GPT Researcher Python包，以優化、深入且符合事實的研究報告。
- 審稿人——根據一套指導方針驗證草稿的正確性，并向修訂者提供反饋（如果有的話）。
- 修訂者——根據審稿人的反饋修訂草稿，直到滿意為止。
- 作者——匯編并撰寫最終報告，包括引言、結論和參考文獻部分。
- 出版商——將最終報告以多種格式（如PDF、Docx、Markdown等）發布。
我們不會深入所有代碼，因為代碼量很大，但會重點關注所發現的有價值或有趣部分進行分享。
2.3 定義圖狀態
在LangGraph中，狀態管理采用一種結構化的方式，允許開發者定義一個GraphState對象，它能夠包含整個應用程序的狀態信息。這樣，圖中的每個節點都具備了修改狀態的能力，可以根據交互過程中的上下文變化，實現動態的響應機制。
在每項技術設計的初期，需要確立整個應用程序的數據結構。針對本例，創建一個名為ResearchState的數據模型，將作為我們研究應用程序的核心數據架構。如下所示：
class ResearchState(TypedDict):
task: dict
initial_research: str
sections: List[str]
research_data: List[dict]
# 報告布局
title: str
headers: dict
date: str
table_of_contents: str
introduction: str
conclusion: str
sources: List[str]
report: str如上所見，狀態被分為兩個主要區域：研究任務和報告布局內容。當數據通過圖中的智能體流通時，每個智能體將根據現有狀態生成新數據，并更新它以便在圖中的其他智能體進一步處理。
然后，使用以下方式初始化圖：
from langgraph.graph import StateGraph
workflow = StateGraph(ResearchState)2.4 使用LangGraph初始化圖
如上所述，多智能體開發的一個偉大之處在于構建每個智能體具有專門化和限定范圍的技能。以使用GPT Researcher Python包的Researcher智能體為例：
from gpt_researcher import GPTResearcher
class ResearchAgent:
def __init__(self):
pass
async def research(self, query: str):
# 初始化研究員
researcher = GPTResearcher(parent_query=parent_query, query=query, report_type=research_report, config_path=None)
# 對給定查詢進行研究
await researcher.conduct_research()
# 編寫報告
report = await researcher.write_report()
return report如上所見，已經創建了Research智能體的一個實例。現在假設我們已經為團隊中的每個智能體都做了同樣的事情。在創建了所有智能體之后，將使用LangGraph初始化圖：
def init_research_team(self):
# 初始化智能體
editor_agent = EditorAgent(self.task)
research_agent = ResearchAgent()
writer_agent = WriterAgent()
publisher_agent = PublisherAgent(self.output_dir)
# 定義一個Langchain StateGraph與ResearchState
workflow = StateGraph(ResearchState)
# 為每個智能體添加節點
workflow.add_node("browser", research_agent.run_initial_research)
workflow.add_node("planner", editor_agent.plan_research)
workflow.add_node("researcher", editor_agent.run_parallel_research)
workflow.add_node("writer", writer_agent.run)
workflow.add_node("publisher", publisher_agent.run)
workflow.add_edge('browser', 'planner')
workflow.add_edge('planner', 'researcher')
workflow.add_edge('researcher', 'writer')
workflow.add_edge('writer', 'publisher')
# 設置起始和結束節點
workflow.set_entry_point("browser")
workflow.add_edge('publisher', END)
return workflow如上所見，創建LangGraph圖非常簡單，主要由三個主要功能組成：add_node、add_edge和set_entry_point。通過這些主要功能，你可以首先向圖中添加節點，連接邊，并最終設置起始點。
重點檢查：如果你一直按照代碼和架構進行，會注意到在上面的初始化中缺少了Reviewer和Reviser智能體。讓我們深入探討！
2.5 圖內嵌套圖以實現狀態化的并行處理
這個智能助手的一個亮點是其支持對每個研究任務進行并行處理，且每項任務都遵循一套預設的規范進行審查與修訂。
在流程設計中，有效利用并行工作是提升效率的秘訣。然而，若所有智能體都向同一狀態報告，如何協調它們的并行工作以避免競爭條件和數據不一致的問題呢？解決方案是構建一個子圖，由主LangGraph實例觸發，并為每次并行運行維護獨立的狀態，從而巧妙地解決了這一難題。
正如之前所做的，讓我們定義LangGraph狀態及其智能體。由于這個子圖基本上是審查和修訂研究草稿，我們將用草稿信息定義狀態：
class DraftState(TypedDict):
task: dict
topic: str
draft: dict
review: str
revision_notes: str如DraftState中所見，我們主要關心討論的主題，以及審稿人和修訂筆記，因為它們相互溝通以完成子主題研究報告。為了創建循環條件，我們將利用LangGraph的最后一個重要部分，即條件邊：
async def run_parallel_research(self, research_state: dict):
workflow = StateGraph(DraftState)
workflow.add_node("researcher", research_agent.run_depth_research)
workflow.add_node("reviewer", reviewer_agent.run)
workflow.add_node("reviser", reviser_agent.run)
# 設置邊 researcher->reviewer->reviser->reviewer...
workflow.set_entry_point("researcher")
workflow.add_edge('researcher', 'reviewer')
workflow.add_edge('reviser', 'reviewer')
workflow.add_conditional_edges('reviewer',
(lambda draft: "accept" if draft['review'] is None else "revise"),
{"accept": END, "revise": "reviser"})通過定義條件邊，如果審稿人有審稿筆記，圖將指向修訂者，或者循環將以最終草稿結束。如果你回到已經構建的主圖，會看到這個并行工作是在由ChiefEditor智能體調用的名為“researcher”的節點下進行的。
2.6 運行研究助手
為了便于定制，助手使用給定的task.json文件運行：
{
"query": "Is AI in a hype cycle?",
"max_sections": 3,
"publish_formats": {
"markdown": true,
"pdf": true,
"docx": true
},
"follow_guidelines": false,
"model": "gpt-4-turbo",
"guidelines": [
"The report MUST be written in APA format",
"Each sub section MUST include supporting sources using hyperlinks. If none exist, erase the sub section or rewrite it to be a part of the previous section",
"The report MUST be written in spanish"
]
}任務對象相當直觀，但請注意，如果follow_guidelines為false，則會導致圖忽略修訂步驟和定義的準則。此外，max_sections字段定義了要研究的子標題數量。數量較少將生成較短的報告。
運行助手會生成最終研究報告，格式包括Markdown、PDF和Docx等。
本文轉載自 ??AI科技論談??，作者： AI科技論談
