百度宣传做网站多少钱,做网站卖大闸蟹,建网站建设,海外网网址❝ 通过本指南#xff0c;你将学习构建一个专为航空公司设计的客服助手#xff0c;它将协助用户查询旅行信息并规划行程。在此过程中#xff0c;你将掌握如何利用LangGraph的中断机制、检查点技术以及更为复杂的状态管理功能#xff0c;来优化你的助手工具#xff0c;同时… ❝ 通过本指南你将学习构建一个专为航空公司设计的客服助手它将协助用户查询旅行信息并规划行程。在此过程中你将掌握如何利用LangGraph的中断机制、检查点技术以及更为复杂的状态管理功能来优化你的助手工具同时有效管理用户的机票预订、酒店住宿、租车服务以及旅游活动。 客服助手机器人能够帮助团队更高效地处理日常咨询但要打造一个能够稳定应对各种任务且不会让用户感到烦恼的机器人并非易事。
完成本教程后你不仅会拥有一个功能完备的机器人还将深入理解LangGraph的核心理念和架构设计。这些知识将帮助你在其他人工智能项目中运用相似的设计模式。
由于内容较多本文将由浅入深分四个阶段进行讲解每个阶段都将打造出一个具备以上描述所有能力的机器人。但受限于LLM的能力初期阶段的机器人的运行可能存在各类问题但都将在后续阶段得到解决。
你最终完成的聊天机器人将类似于以下示意图 最终示意图
现在让我们开启这第一阶段段的学习之旅吧
准备工作
在开始之前我们需要搭建好环境。本教程将安装一些必要的先决条件包括下载测试用的数据库并定义一些在后续各部分中会用到的工具。
我们会使用 Claude 作为语言模型LLM并创建一些定制化的工具。这些工具大多数会连接到本地的 SQLite 数据库无需额外依赖。此外我们还会通过 Tavily 为代理提供网络搜索功能。
%%capture --no-stderr % pip install -U langgraph langchain-community langchain-anthropic tavily-python pandas
数据库初始化
接下来执行下面的脚本来获取我们为这个教程准备的 SQLite 数据库并更新它以反映当前的数据状态。具体细节不是重点。
import os import requests import sqlite3 import pandas as pd import shutil # 下载数据库文件 db_url https://storage.googleapis.com/benchmarks-artifacts/travel-db/travel2.sqlite local_file travel2.sqlite backup_file travel2.backup.sqlite overwrite False if not os.path.exists(local_file) or overwrite: response requests.get(db_url) response.raise_for_status() # 确保请求成功 with open(local_file, wb) as file: file.write(response.content) # 创建数据库备份以便在每个教程部分开始时重置数据库状态 shutil.copy(local_file, backup_file) # 将航班数据更新为当前时间以适应我们的教程 conn sqlite3.connect(local_file) cursor conn.cursor() # 读取数据库中的所有表 tables pd.read_sql( SELECT name FROM sqlite_master WHERE typetable;, conn ).name.tolist() tdf {} for table_name in tables: tdf[table_name] pd.read_sql(fSELECT * from {table_name}, conn) # 找到最早的出发时间并计算时间差 example_time pd.to_datetime( tdf[flights][actual_departure].replace(\\N, pd.NaT) ).max() current_time pd.to_datetime(now).tz_localize(example_time.tz) time_diff current_time - example_time # 更新预订日期和航班时间 for column in [book_date, scheduled_departure, scheduled_arrival, actual_departure, actual_arrival]: tdf[flights][column] pd.to_datetime( tdf[flights][column].replace(\\N, pd.NaT) ) time_diff # 将更新后的数据写回数据库 for table_name, df in tdf.items(): df.to_sql(table_name, conn, if_existsreplace, indexFalse) conn.commit() conn.close() # 在本教程中我们将使用这个本地文件作为数据库 db local_file
工具定义
现在我们来定义一些工具以便助手可以搜索航空公司的政策手册以及搜索和管理航班、酒店、租车和远足活动的预订。这些工具将在教程的各个部分中重复使用具体的实现细节不是关键。
查询公司政策
助手需要检索政策信息来回答用户的问题。请注意这些政策的实施还需要在工具或 API 中进行因为语言模型可能会忽略这些信息。以下工具受限于篇幅将仅提供定义及描述详细代码[1]可在github上获取。
import re import numpy as np import openai from langchain_core.tools import tool tool def lookup_policy(query): 查询公司政策以确定某些选项是否允许。
航班管理
定义一个工具来获取用户的航班信息然后定义一些工具来搜索航班和管理用户的预订信息这些信息存储在 SQL 数据库中。
我们使用 ensure_config 来通过配置参数传递 passenger_id。语言模型不需要显式提供这些信息它们会在图的每次调用中提供以确保每个用户无法访问其他乘客的预订信息。
from langchain_core.runnables import ensure_config from typing import Optional import sqlite3 import pytz from datetime import datetime, timedelta, date tool def fetch_user_flight_information(): 获取用户的所有机票信息包括航班详情和座位分配。 tool def search_flights( departure_airportNone, arrival_airportNone, start_timeNone, end_timeNone, limit20, ): 根据出发机场、到达机场和出发时间范围来搜索航班。 tool def update_ticket_to_new_flight(ticket_no, new_flight_id): 将用户的机票更新到一个新的有效航班上。 tool def cancel_ticket(ticket_no): 取消用户的机票并从数据库中移除。
租车服务
用户预订了航班后可能需要租车服务。定义一些工具让用户能够在目的地搜索和预订汽车。
from typing import Optional, Union from datetime import datetime, date tool def search_car_rentals( locationNone, nameNone, price_tierNone, start_dateNone, end_dateNone, ): 根据位置、公司名称、价格等级、开始日期和结束日期来搜索租车服务。 参数 location (Optional[str]): 租车服务的位置。 name (Optional[str]): 租车公司的名称。 price_tier (Optional[str]): 租车的价格等级。 start_date (Optional[Union[datetime, date]]): 租车的开始日期。 end_date (Optional[Union[datetime, date]]): 租车的结束日期。 返回 list[dict]: 匹配搜索条件的租车服务列表。 tool def book_car_rental(rental_id): 通过租车ID来预订租车服务。 参数 rental_id (int): 要预订的租车服务的ID。 返回 str: 预订成功与否的消息。 tool def update_car_rental( rental_id, start_dateNone, end_dateNone, ): 通过租车ID来更新租车服务的开始和结束日期。 参数 rental_id (int): 要更新的租车服务的ID。 start_date (Optional[Union[datetime, date]]): 新的租车开始日期。 end_date (Optional[Union[datetime, date]]): 新的租车结束日期。 返回 str: 更新成功与否的消息。 tool def cancel_car_rental(rental_id): 通过租车ID来取消租车服务。 参数 rental_id (int): 要取消的租车服务的ID。 返回 str: 取消成功与否的消息。
酒店预订
用户需要住宿因此定义一些工具来搜索和管理酒店预订。
tool def search_hotels( locationNone, nameNone, price_tierNone, checkin_dateNone, checkout_dateNone, ): 根据位置、名称、价格等级、入住日期和退房日期来搜索酒店。 参数 location (Optional[str]): 酒店的位置。 name (Optional[str]): 酒店的名称。 price_tier (Optional[str]): 酒店的价格等级。 checkin_date # 入住日期和退房日期用于搜索酒店 checkin_date (Optional[Union[datetime, date]]): 酒店的入住日期。 checkout_date (Optional[Union[datetime, date]]): 酒店的退房日期。 返回 list[dict]: 符合搜索条件的酒店列表。 tool def book_hotel(hotel_id): 通过酒店ID进行预订。 参数 hotel_id (int): 要预订的酒店的ID。 返回 str: 预订成功与否的消息。 tool def update_hotel( hotel_id, checkin_dateNone, checkout_dateNone, ): 通过酒店ID更新酒店预订的入住和退房日期。 参数 hotel_id (int): 要更新预订的酒店的ID。 checkin_date (Optional[Union[datetime, date]]): 新的入住日期。 checkout_date (Optional[Union[datetime, date]]): 新的退房日期。 返回 str: 更新成功与否的消息。 tool def cancel_hotel(hotel_id): 通过酒店ID取消酒店预订。 参数 hotel_id (int): 要取消预订的酒店的ID。 返回 str: 取消成功与否的消息。
远足活动
最后定义一些工具让用户在到达目的地后搜索活动并进行预订。
tool def search_trip_recommendations( locationNone, nameNone, keywordsNone, ): 根据位置、名称和关键词搜索旅行推荐。 参数 location (Optional[str]): 旅行推荐的地点。 name (Optional[str]): 旅行推荐的名字。 keywords (Optional[str]): 与旅行推荐相关的关键词。 返回 list[dict]: 符合搜索条件的旅行推荐列表。 tool def book_excursion(recommendation_id): 通过推荐ID预订远足活动。 参数 recommendation_id (int): 要预订的旅行推荐的ID。 返回 str: 预订成功与否的消息。 tool def update_excursion(recommendation_id, details): 通过推荐ID更新旅行推荐的细节。 参数 recommendation_id (int): 要更新的旅行推荐的ID。 details (str): 旅行推荐的新细节。 返回 str: 更新成功与否的消息。 tool def cancel_excursion(recommendation_id): 通过推荐ID取消旅行推荐。 参数 recommendation_id (int): 要取消的旅行推荐的ID。 返回 str: 取消成功与否的消息。
实用工具
定义一些辅助函数以便在调试过程中美化图形中的消息显示并为工具节点添加错误处理通过将错误添加到聊天记录中。
from langgraph.prebuilt import ToolNode from langchain_core.runnables import RunnableLambda def handle_tool_error(state): error state.get(error) tool_calls state[messages][-1].tool_calls return { messages: [ ToolMessage( contentf错误: {repr(error)}\n请修正你的错误。, tool_call_idtc[id], ) for tc in tool_calls ] } def create_tool_node_with_fallback(tools): return ToolNode(tools).with_fallbacks( [RunnableLambda(handle_tool_error)], exception_keyerror ) def _print_event(event, _printed, max_length1500): current_state event.get(dialog_state) if current_state: print(f当前状态: , current_state[-1]) message event.get(messages) if message: if isinstance(message, list): message message[-1] if message.id not in _printed: msg_repr message.pretty_repr(htmlTrue) if len(msg_repr) max_length: msg_repr msg_repr[:max_length] ... 内容已截断 print(msg_repr) _printed.add(message.id)
第一部分零样本代理
在构建任何系统时最佳实践是从最简单的可行方案开始并通过使用类似LangSmith这样的评估工具来测试其有效性。在条件相同的情况下我们倾向于选择简单且可扩展的解决方案而不是复杂的方案。然而单一图谱方法存在一些限制比如机器人可能在未经用户确认的情况下执行不希望的操作处理复杂查询时可能遇到困难或者在回答时缺乏针对性。这些问题我们会在后续进行改进。 在这部分我们将定义一个简单的零样本代理作为用户的助手并将所有工具赋予给它。我们的目标是引导它明智地使用这些工具来帮助用户。 我们的简单两节点图如下所示 第一部分图解
首先我们定义状态。
状态
我们将StateGraph的状态定义为一个包含消息列表的类型化字典。这些消息构成了聊天的记录也就是我们简单助手所需要的全部状态信息。
from langgraph.graph.message import add_messages, AnyMessage from typing_extensions import TypedDict from typing import Annotated class State(TypedDict): messages: Annotated[list[AnyMessage], add_messages]
代理
然后我们定义助手函数。这个函数接收图的状态将其格式化为提示然后调用一个大型语言模型LLM来预测最佳的响应。
from langchain_core.runnables import Runnable, RunnableConfig from langchain_community.tools.tavily_search import TavilySearchResults from langchain_anthropic import ChatAnthropic from langchain_core.prompts import ChatPromptTemplate class Assistant: def __init__(self, runnable: Runnable): self.runnable runnable def __call__(self, state: State, config: RunnableConfig): while True: passenger_id config.get(passenger_id, None) state {**state, user_info: passenger_id} result self.runnable.invoke(state) # 如果大型语言模型返回了一个空响应我们将重新提示它给出一个实际的响应。 if ( not result.content or isinstance(result.content, list) and not result.content[0].get(text) ): messages state[messages] [(user, 请给出一个真实的输出。)] state {**state, messages: messages} else: break return {messages: result} # Haiku模型更快、成本更低但准确性稍差 # llm ChatAnthropic(modelclaude-3-haiku-20240307) llm ChatAnthropic(modelclaude-3-sonnet-20240229, temperature1) primary_assistant_prompt ChatPromptTemplate.from_messages( [ ( system, 你是一个为瑞士航空提供帮助的客户支持助手。 使用提供的工具来搜索航班、公司政策和其他信息以帮助回答用户的查询。 在搜索时要有毅力。如果第一次搜索没有结果就扩大你的查询范围。 如果搜索结果为空不要放弃先扩大搜索范围。 \n\n当前用户\nUser\n{user_info}\n/User \n当前时间{time}。, ), (placeholder, {messages}), ] ).partial(timedatetime.now()) part_1_tools [ TavilySearchResults(max_results1), fetch_user_flight_information, search_flights, lookup_policy, update_ticket_to_new_flight, cancel_ticket, search_car_rentals, book_car_rental, update_car_rental, cancel_car_rental, search_hotels, book_hotel, update_hotel, cancel_hotel, search_trip_recommendations, book_excursion, update_excursion, cancel_excursion, ] part_1_assistant_runnable primary_assistant_prompt | llm.bind_tools(part_1_tools)
定义图
现在我们来创建图。这张图是我们这部分的最终助手。
from langgraph.checkpoint.sqlite import SqliteSaver from langgraph.graph import StateGraph, END from langgraph.prebuilt import tools_condition, ToolNode builder StateGraph(State) # 定义节点这些节点执行具体的工作 builder.add_node(assistant, Assistant(part_1_assistant_runnable)) builder.add_node(action, create_tool_node_with_fallback(part_1_tools)) # 定义边这些边决定了控制流程如何移动 builder.set_entry_point(assistant) builder.add_conditional_edges( assistant, tools_condition, # action调用我们的工具之一。END导致图终止并向用户做出响应 {action: action, END: END}, ) builder.add_edge(action, assistant) # 检查点器允许图保存其状态 # 这是整个图的完整记忆。 memory SqliteSaver.from_conn_string(:memory:) part_1_graph builder.compile(checkpointermemory)
from IPython.display import Image, display try: display(Image(part_1_graph.get_graph(xrayTrue).draw_mermaid_png())) except: # 这需要一些额外的依赖项是可选的 pass 示例对话
现在让我们通过一系列对话示例来测试我们的聊天机器人。
import uuid import shutil # 假设这是用户与助手之间可能发生的对话示例 tutorial_questions [ 你好我的航班是什么时候, 我可以把我的航班改签到更早的时间吗我想今天晚些时候离开。, 那就把我的航班改签到下周某个时间吧, 下一个可用的选项很好, 住宿和交通方面有什么建议, 我想在为期一周的住宿中选择一个经济实惠的酒店7天并且我还想租一辆车。, 好的你能为你推荐的酒店预订吗听起来不错。, 是的去预订任何中等价位且有可用性的酒店。, 对于汽车我有哪些选择, 太棒了我们只选择最便宜的选项。预订7天。, 那么你对我的旅行有什么建议, 在我在那里的时候有哪些活动是可用的, 有趣 - 我喜欢博物馆有哪些选择, 好的那就为我在那里的第二天预订一个。, ] # 使用备份文件以便我们可以从每个部分的原始位置重新启动 shutil.copy(backup_file, db) thread_id str(uuid.uuid4()) config { configurable: { # passenger_id 在我们的航班工具中使用 # 以获取用户的航班信息 passenger_id: 3442 587242, # 检查点通过 thread_id 访问 thread_id: thread_id, } } _printed set() for question in tutorial_questions: events part_1_graph.stream( {messages: (user, question)}, config, stream_modevalues ) for event in events: _print_event(event, _printed)
第一部分回顾
我们的简单助手表现得还不错它能够合理地回答所有问题快速地在上下文中做出回应并成功地执行了我们所有的任务。你可以通过查看LangSmith的示例跟踪[2]来更好地了解LLM在上述交互中是如何被提示的。
如果这是一个简单的问答机器人我们可能会对上述结果感到满意。由于我们的客户支持机器人是代表用户采取行动因此它的一些行为有点令人担忧 当我们专注于住宿时助手预订了一辆车然后又不得不取消并稍后重新预订哎呀在预订之前应该让用户有最终决定权以避免不需要的预订。 助手在寻找推荐方面遇到了困难。我们可以通过添加更多的详细指令和使用工具的示例来改进这一点但为每个工具都这样做可能会导致提示过长让代理感到不知所措。 助手不得不进行明确的搜索才能获取用户的相关信息。我们可以通过立即获取用户的旅行详细信息让助手能够直接回应从而节省大量时间。
如何学习大模型 AI
由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。
但是具体到个人只能说是
“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。
这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。
我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。 第一阶段10天初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。
大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…
第二阶段30天高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。
为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…
第三阶段30天模型训练
恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。
到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗
为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…
第四阶段20天商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。
硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…
学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。
如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
