企业官网建设流程全解析

做网站创业流程图,网站怎么看被百度收录,wordpress好看的下载插件,网站备案流程以及所需资料简介 多Agent协作能够将一个复杂的任务拆解成一个个子任务给专门的agent#xff0c;能够解决复杂问题#xff0c;实现复杂的ai工作流。 多Agent协作 不同的Agent#xff0c;有不同的能力#xff0c;我们可能会有各种实际需求#xff0c;例如#xff1a;实时识别车牌位…简介多Agent协作能够将一个复杂的任务拆解成一个个子任务给专门的agent能够解决复杂问题实现复杂的ai工作流。多Agent协作不同的Agent有不同的能力我们可能会有各种实际需求例如实时识别车牌位置Yolo-识别车牌内容qwen-vl- LLM管理记录车牌信息。通过多Agent协作的工作流能够实现拍照答题自动剪辑ppt生成等一系列复杂问题。下面用一个简单的案例来说明。简单的多Agent协作示例需求查一下阿里、腾讯、百度的PE并计算平均值。import osimport operatorfrom pydantic import BaseModel, Fieldfrom langchain_community.chat_models.tongyi import ChatTongyifrom langchain_core.tools import toolfrom langchain_core.messages import HumanMessage, BaseMessage, ToolMessage, SystemMessagefrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderfrom typing import Annotated, List, Literal, TypedDictfrom langgraph.graph import StateGraph, ENDos.environ[DASHSCOPE_API_KEY] apikeyllm ChatTongyi(modelqwen-plus)tooldef web_search(query: str): 用于查找最新的股票数据、公司财报信息。 results [] if 阿里 in query: results.append(阿里巴巴(BABA) PE: 15.5) if 腾讯 in query: results.append(腾讯控股(0700) PE: 18.2) if 百度 in query: results.append(百度(BIDU) PE: 11.8) if not results: return 未找到数据 return ; .join(results)tooldef python_calculator(code: str): 用于计算。输入必须是 python 代码。 try: result eval(code) return f计算结果: {result} except Exception as e: return f计算错误: {e}def create_agent(state: dict, llm, tools, system_prompt): llm_tools llm.bind_tools(tools) prompt [SystemMessage(contentsystem_prompt)] state[messages] response llm_tools.invoke(prompt) results [response] for tool_call in response.tool_calls: func_name tool_call[name] args tool_call[args] call_id tool_call[id] func next((t for t in tools if t.name func_name), None) if func: tool_output func.invoke(args) tool_msg ToolMessage( contentstr(tool_output), namefunc_name, tool_call_idcall_id ) results.append(tool_msg) return {messages: results}class State(TypedDict): messages: Annotated[List[BaseMessage], operator.add] next: strdef researcher_node(state): return create_agent( statestate, llmllm, tools[web_search], system_prompt你是一个研究员。只负责查数据找到数据后直接输出原话不需要计算。 )def coder_node(state): return create_agent( statestate, llmllm, tools[python_calculator], system_prompt你是一个程序员。根据上面研究员查到的数据写代码计算平均值。 )def finish_node(state): return create_agent( statestate, llmllm, tools[], system_prompt任务完成简短的总结最终结果。 )def supervisor_node(state): system_prompt ( 你是项目经理。根据对话历史决定下一步交给谁。 查数据找 Researcher计算找 Coder识别图片找 Photographer。 如果任务完成必须选择 FINISH。 ) prompt ChatPromptTemplate.from_messages([ (system, system_prompt), MessagesPlaceholder(variable_namemessages), (system, 根据以上情况请做出选择。), ]) class RouteResponse(BaseModel): next: Literal[Researcher, Coder, FINISH] Field( ..., description下一步交给谁如果任务完成请选 FINISH ) chain prompt | llm.with_structured_output(RouteResponse) response chain.invoke(state) return {next: response.next}def init_agent(): workflow StateGraph(State) workflow.add_node(Researcher, researcher_node) workflow.add_node(Coder, coder_node) workflow.add_node(Supervisor, supervisor_node) workflow.add_node(Finish, finish_node) workflow.add_edge(Researcher, Supervisor) workflow.add_edge(Coder, Supervisor) workflow.add_edge(Finish, END) workflow.add_conditional_edges( Supervisor, lambda state: state[next],{ Researcher: Researcher, Coder: Coder, FINISH: Finish, }) workflow.set_entry_point(Supervisor) return workflow.compile()if __name__ __main__: agent init_agent() for result in agent.stream({ messages: [HumanMessage(content查一下阿里、腾讯、百度的PE并计算平均值。)] }): for key, value in result.items(): if key Supervisor: print([ key ] 去向: value[next]) else: print([ key ] 回复: value[messages][-1].content)代码解释代码一共用到了4个agentagent Researcher其有一个工具负责搜索某些内容agent coder其有一个工具负责进行精确计算agent finish其没有工具负责总结内容agent Supervisor其没有工具负责管理上面3个agent决定任务的去向 上面案例使用的是langgraph组件这里就不详细讲解了请看之前文章。代码流程初始化工具库-初始化agent-构建图-运行初始化工具库tooldef web_search(query: str): 用于查找最新的股票数据、公司财报信息。 results [] if 阿里 in query: results.append(阿里巴巴(BABA) PE: 15.5) if 腾讯 in query: results.append(腾讯控股(0700) PE: 18.2) if 百度 in query: results.append(百度(BIDU) PE: 11.8) if not results: return 未找到数据 return ; .join(results)tooldef python_calculator(code: str): 用于计算。输入必须是 python 代码。 try: result eval(code) return f计算结果: {result} except Exception as e: return f计算错误: {e}这里的web_search使用的是虚假的模拟信息上面的工具描述不够完整但是能用如果用实际案例请描述完整工具的描述参考之前文章。初始化agentResearchercoderfinish3个agent的实现def create_agent(state: dict, llm, tools, system_prompt): llm_tools llm.bind_tools(tools) prompt [SystemMessage(contentsystem_prompt)] state[messages] response llm_tools.invoke(prompt) results [response] for tool_call in response.tool_calls: func_name tool_call[name] args tool_call[args] call_id tool_call[id] func next((t for t in tools if t.name func_name), None) if func: tool_output func.invoke(args) tool_msg ToolMessage( contentstr(tool_output), namefunc_name, tool_call_idcall_id ) results.append(tool_msg)def researcher_node(state): return create_agent( statestate, llmllm, tools[web_search], system_prompt你是一个研究员。只负责查数据找到数据后直接输出原话不需要计算。 )def coder_node(state): return create_agent( statestate, llmllm, tools[python_calculator], system_prompt你是一个程序员。根据上面研究员查到的数据写代码计算平均值。 )def finish_node(state): return create_agent( statestate, llmllm, tools[], system_prompt任务完成简短的总结最终结果。 )流程相对简单create_agent细节前面文章已经讲解这里就不废话了。Supervisor agent的实现def supervisor_node(state): system_prompt ( 你是项目经理。根据对话历史决定下一步交给谁。 查数据找 Researcher计算找 Coder识别图片找 Photographer。 如果任务完成必须选择 FINISH。 ) prompt ChatPromptTemplate.from_messages([ (system, system_prompt), MessagesPlaceholder(variable_namemessages), (system, 根据以上情况请做出选择。), ]) class RouteResponse(BaseModel): next: Literal[Researcher, Coder, FINISH] Field( ..., description下一步交给谁如果任务完成请选 FINISH ) chain prompt | llm.with_structured_output(RouteResponse) response chain.invoke(state) return {next: response.next}这一步需要简单说明class RouteResponse(BaseModel): next: Literal[Researcher, Coder, FINISH] Field( ..., description下一步交给谁如果任务完成请选 FINISH )chain prompt | llm.with_structured_output(RouteResponse)LLM中的with_structured_output方法是langchain提供的一个组件功能是限定LLM的输出格式返回相应格式的字典。定义输出格式限定的类该类是BaseModel的子类Literal是选择要求ai从Researcher, Coder, FINISH三选一Field描述变量尽量详尽描述例子因为是给大模型看的class classname(BaseModel): fieldname: fieldtype Field(..., description描述)构建图重要def init_agent(): workflow StateGraph(State) workflow.add_node(Researcher, researcher_node) workflow.add_node(Coder, coder_node) workflow.add_node(Supervisor, supervisor_node) workflow.add_node(Finish, finish_node) workflow.add_edge(Researcher, Supervisor) workflow.add_edge(Coder, Supervisor) workflow.add_edge(Finish, END) workflow.add_conditional_edges( Supervisor, lambda state: state[next],{ Researcher: Researcher, Coder: Coder, FINISH: Finish, }) workflow.set_entry_point(Supervisor) return workflow.compile()这一步相当于连接工作流构建的流程图如下--------------------------- | 开始 | -------------------------- | v ---------------------------- | Supervisor |--------------- | (通过当前任务状态返回next) | | --------------------------- | |(根据state中next判断去向) | _____________|_____________ | / | \ | / | \ | v v v |------------ ------------ ------------ || Researcher | | Coder | | Finish | || (Agent) | | (Agent) | | (Cleanup) | |----------- ----------- ----------- | | | | | | | v | | | ------------ | --------------- | END | | | ------------ | | | -------------------------------------- (返回重新选择下一个agent)学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁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】