给个使用langgraph的例子

以下是关于 LangChain 和 LangGraph 的相关内容： LangChain： LangChain 是一个由 Harrison Chase 开发的开源 Python 库，旨在支持使用大型语言模型（LLM）和外部资源（如数据源或语言处理系统）开发应用程序。 它提供了标准的接口，与其他工具集成，并为常见应用程序提供端到端链。 设计主张集中在模块化组件上，这些组件提供用于使用 LLM 的行为抽象，并为每个抽象提供实现的集合，从而允许开发人员构造新链或实现现成的链。 LangChain 和 RAG 的关系： LangChain 是一个用于构建高级语言模型应用程序的框架，提供了实现 RAG 所必需的工具和组件。 RAG 即检索增强生成，是一种结合了检索（检索外部知识库中相关信息）和生成（利用 LLM 生成文本）的技术。 LangChain 作为框架，与 RAG 的关系包括：是框架与技术的关系，允许通过模块化组件构建 RAG 应用程序，简化开发过程，提高性能，支持构建复杂的 RAG 应用。 关于大模型 RAG 应用中的 LangChain： 有从产品视角出发的分享，包括项目背景、初步体验和评测结果等。 预计会分成 3 篇分享，分别是 LangChain 框架初体验、调优思路分享、如何测评。

LangGraph 是一个用于低代码构建 LLM 应用的新库，具有以下特点和功能： 1. 提供了更多自定义和循环行为的可能性。 2. 提供了可视化工具，用于展示和控制语言代理的图，以及查看和分析语言代理的输入和输出。 3. 是 LangChain 的一个强大扩展，能支持更多 LLM 应用场景和需求，且是独立库，可与其他 Python 库和工具结合使用。 其详细介绍和使用方法可参考官方文档和教程。 LangChain 0.1.0 的发布是重要里程碑和新起点，团队未来计划包括： 1. 重写旧的链，使其符合 0.1.0 的架构和规范，并提供更多功能和特性。 2. 维护稳定分支 0.1.x，用于修复错误和优化性能，保证质量和稳定性。 3. 增加更多工具和功能，如更多 LLM 和 NLP 任务支持、更多输出解析和检索方法、更多代理技术以及更多 LangSmith 和 LangGraph 功能。 此外，还有关于利用 Langchain、Ollama、RSSHub 实现本地部署资讯问答机器人的内容，包括导入依赖库、从订阅源获取内容、为文档内容生成向量以及实现 RAG 等步骤。 在探索 LangGraph 构建多专家协作模型方面： 1. 定义图：从节点开始，预填充状态，构建定制工作流程，包含多个节点，如 enter_、助手、_safe_tools、_sensitive_tools、leave_skill 等，并逐一明确地定义如航班预订助手、租车助手、酒店预订助手、旅行预订助手和主助手等工作流程图。 2. 对话：在对话轮次列表上运行，减少确认。

LangGraph 是一个用于低代码构建 LLM 应用的新库，具有以下特点和发展情况： 1. 提供了更多自定义和循环行为的可能性，还有可视化工具用于展示和控制语言代理的图，以及查看和分析输入输出。 2. 是 LangChain 的一个强大扩展，能支持更多 LLM 应用场景和需求，且是独立库，可与其他 Python 库和工具结合使用。 3. 随着其发布，应用开发者能在应用层随心搭建自己的多专家模型。 4. 在 LangChain v0.2 中，LangGraph 正在成为构建代理的推荐方式，增加了预构建的 LangGraph 对象，更容易定制和修改。 LangChain 团队未来计划包括： 1. 重写旧的链，使其符合 LangChain 0.1.0 的架构和规范，并提供更多功能和特性。 2. 维护稳定分支，用于修复错误和优化性能，保证质量和稳定性。 3. 增加更多工具和功能，如更多的 LLMs 和 NLP 任务支持、更多输出解析和检索方法、更多代理技术以及更多 LangSmith 和 LangGraph 的功能。 详细介绍和使用方法可参考 LangGraph 的官方文档和教程。

LangGraph 是一个用于低代码构建 LLM 应用的新库，具有以下特点和发展： 1. 提供了更多自定义和循环行为的可能性，还有可视化工具用于展示和控制语言代理的图，以及查看和分析输入输出。 2. 是 LangChain 的强大扩展，能支持更多 LLM 应用场景和需求，且是独立库，可与其他 Python 库和工具结合使用。 3. 随着发布，众多应用开发者能在应用层随心搭建自己的多专家模型。 4. 解决了 LangChain 中定制预构建链和代理内部结构困难的问题，增加了轻松定义循环和内置内存功能等重要组件。在 LangChain v0.2 中，LangGraph 正成为构建代理的推荐方式，有预构建的 LangGraph 对象，更易定制和修改。其详细介绍和使用方法可参考官方文档和教程。LangChain 团队未来计划包括重写旧链、维护稳定分支、增加更多工具和功能等。

以下为 10 个例子： 1. 教程|可视化 CapsNet，详解 Hinton 等人提出的胶囊概念与原理：我们的目标是预测 10 个不同的数字（0 到 9），不是预测实际图片而是描述图片的向量。有 32 个胶囊层，每个胶囊层有 36 个胶囊，总共有 1152 个胶囊。每个胶囊与每一个类别的权重矩阵相乘，最终得到 11520 个预测值的列表，每个预测是 16 维向量。 2. 塔罗牌 MJ v6 出图（10 种）：包括“coffee tarot cardar 9:16”“Golden virgo logo illustration,celestial card,Virgo,tarot style illustrationar 9:16”等多种不同风格和要求的描述。 3. GPT 的现状（State of GPT）：在训练 GPT 助手时，将文档打包成行，用特殊的文本结束 token 分隔，输入到 transformer 中。绿色单元格会查看前面所有 token，transformer 尝试预测下一个 token，可根据预测结果更新 transformer 权重。 4. 教程|可视化 CapsNet，详解 Hinton 等人提出的胶囊概念与原理：胶囊层和胶囊数量众多，计算胶囊与权重矩阵的乘积获得预测结果，权重矩阵的维度和预测结果的维度都有特定的设定。 5. 塔罗牌 MJ v6 出图（10 种）：涵盖各种不同的塔罗牌设计描述，如“the sun tarot black and white sketchar 5:7”“back of tarot card,white,elegant,clean lines,fantasy art,black and white,simple,line drawingar 5:7”等。 6. GPT 的现状（State of GPT）：在训练中，transformer 会对序列中的下一个 token 进行预测，词汇表大小决定了概率分布的数量，通过不断调整权重以提高预测准确性。 7. 教程|可视化 CapsNet，详解 Hinton 等人提出的胶囊概念与原理：预测过程涉及大量的计算和矩阵运算，每个胶囊都要与多个类别的权重矩阵相乘。 8. 塔罗牌 MJ v6 出图（10 种）：不同的描述体现了丰富多样的塔罗牌创意和风格，如“zodiac cards batch,magic frame with esoteric patterns and mystic symbols,sun and moon sorcery,vectorar 1:2stylize 750”。 9. GPT 的现状（State of GPT）：训练 GPT 助手时，会并行处理每个单元格的预测，不断交换批次以优化 transformer 的权重。 10. 塔罗牌 MJ v6 出图（10 种）：如“Generate exact text\"Capricorn\"in a font that reflects the ambitious,grounded,and fantastical qualities associated with the Capricorn zodiac sign,suitable for a Dark Fantasystyle Tarot card image with a transparent background.ar 9:16stylize 250”等独特的设计要求。

以下是一些 Agent 的典型例子： 1. Inhai:Agentic Workflow：使用 Kimi Chat 查询问题时，它会在互联网检索相关内容并总结分析给出结论，这是大模型利用“网页搜索”工具的典型例子。此外，Agent 会自行规划任务执行的工作流路径，如先识别男孩姿势，再找姿势提取模型、姿势图像模型、图像理解文本模型和语音合成模型来完成流程任务。吴恩达通过开源项目 ChatDev 举例，让大语言模型扮演不同角色相互协作开发应用或复杂程序。 2. Roger：从产品角度思考 Agent 设计：Agent 可以是一个历史新闻探索向导，具有知识渊博、温暖亲切、富有同情心的性格，曾是一位历史学家，对世界重大历史事件了如指掌，愿意分享知识。为使角色生动，可设计背景故事、定义性格和语气、规划角色互动方式以及明确角色技能。 3. 智能体的类型： 简单反应型智能体，如温控器，根据温度传感器输入直接行动，不维护内部状态和考虑历史信息。 基于模型的智能体，如自动驾驶汽车，维护内部状态，对感知输入建模，推理未来状态变化并行动。 目标导向型智能体，如机器人导航系统，有明确目标，评估行动方案并选择最优行动。 效用型智能体，如金融交易智能体，量化不同状态效用值，选择效用最大化行动。 学习型智能体，如强化学习智能体，通过与环境交互不断改进性能。

以下是关于如何写提示词的相关内容： 写提示词是决定 AI 模型理解和生成文本的关键步骤。一个好的提示词应具备以下要点： 1. 明确任务：清晰定义任务，如写故事时包含背景、角色和主要情节。 2. 提供上下文：若任务需特定背景知识，应提供足够信息。 3. 使用清晰语言：避免模糊或歧义词汇，用简单明了的语言描述。 4. 给出具体要求：明确格式、风格等特定要求。 5. 使用示例：提供期望结果的示例，帮助模型理解需求。 6. 保持简洁：避免过多信息导致模型困惑。 7. 使用关键词和标签：有助于模型理解任务主题和类型。 8. 测试和调整：生成文本后检查结果，根据需要调整提示词。 在 SD 文生图中，提示词的写法有一定特点： 括号和特定符号可用来增加或降低权重，权重越高在画面中体现越充分，提示词的先后顺序也会影响权重。 一般概念性、大范围、风格化的关键词写在前面，叙述画面内容的其次，描述细节的最后。 关键词应具有特异性，措辞越具体越好，避免抽象和有解释空间的措辞。 可以使用括号人工修改提示词的权重，如“”将权重减少为原先的 25%。 例如： 英文为：,drawing,paintbrush 反向提示词：NSFw,,(toomany finger 根据想画的内容写出提示词，多个提示词之间使用英文半角符号，如：masterpiece,best quality,ultradetailed,illustration,closeup,straight on,face focus,1girl,white hair,golden eyes,long hair,halo,angel wings,serene expression,looking at viewer

以下是一套学习和使用 AI 的方法，以及帮助您快速理解 AI 发展历史及原理的途径： 一、学习 AI 的方法 1. 了解 AI 基本概念 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习 AI 领域广泛（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 二、快速理解 AI 发展历史及原理的途径 1. AI 背景知识 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 2. 数学基础 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 3. 算法和模型 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 4. 评估和调优 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 5. 神经网络基础 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。

深度学习和机器学习的区别主要体现在以下几个方面： 1. 学习方式：机器学习通常需要人工选择和设计特征，而深度学习能够自动从数据中学习特征。 2. 模型结构：机器学习模型相对简单，深度学习则使用多层的神经网络，结构更复杂。 3. 数据处理能力：深度学习能够处理更大量和更复杂的数据模式。 例如，在图像识别任务中，如果使用机器学习，可能需要人工提取图像的颜色、形状等特征，然后基于这些特征进行分类。但在深度学习中，神经网络可以自动从大量的图像数据中学习到有效的特征表示，从而实现更准确的分类。 机器学习是人工智能的一个子领域，让计算机通过数据学习来提高性能，不是直接编程告诉计算机如何完成任务，而是提供数据让机器找出隐藏模式或规律，然后用这些规律预测新的未知数据。 深度学习是机器学习的一个子领域，模拟人脑工作方式，创建人工神经网络处理数据，包含多个处理层，能学习和表示大量复杂模式，在图像识别、语音识别和自然语言处理等任务中非常有效。 大语言模型是深度学习在自然语言处理领域的应用之一，目标是理解和生成人类语言，需要在大量文本数据上训练，如 ChatGPT、文心一言。同时，大语言模型具有生成式 AI 的特点，不仅能理解和分析数据，还能创造新的独特输出。

以下是国内 Coze 调用 API 的一些例子： 1. 通过已有服务 API 创建插件： 进入 Coze 个人空间，选择插件，新建一个插件并命名，如 api_1。 在插件的 URL 部分，填入 Ngrok 随机生成的 https 链接地址。 按照 Coze 的指引配置输出参数，测试后发布插件。 2. 手捏简单的 Bot 并接入创建的插件：创建测试 API 的 Bot，将创建的 api_1 插件接入，在 prompt 里让其调用插件。 3. 测试 AI Bot 时可能遇到的情况：Coze 国内版刚发布不久，有些官方和第三方插件的 API 调用和返回结果不太稳定，可能出现回答不完整的情况，但相信官方会尽快解决。 4. 获取 Coze 的 accessToken 和 botid： 获取 accessToken：在 Coze 界面右侧扣子 API 授权，或者打开链接 https://www.coze.cn/open/oauth/pats，添加令牌，设置名称、过期时间和权限，完成后点击确定按钮并复制下拉令牌。 获取 botid：通过工作空间获取，从“工作空间”打开一个 bot，点击商店按钮查看地址栏中的数字即为 botid。 发布为 bot api：注意在前端使用 bot 必须发布成为 API，点击发布并选择 API，等待审核通过后可按上述方法拿到 botid。 获取空间 id：进入 Coze 后，左边打开工作空间，找到 url 中的 id 并复制。

以下是关于如何使用 Cursor 进行编程的相关信息： Cursor 旨在让您极其高效，是使用 AI 进行编码的最佳方式。您可以从代码库中获得最佳答案，参考特定文件或文档，一键使用模型中的代码。 它允许您使用指令编写代码，通过简单的提示就能更新整个类或函数。 Cursor 能通过预测您的下一个编辑，让您轻松完成更改。

以下是关于如何使用 Cursor 的详细介绍： 1. 访问 Cursor 官方网站：您可以通过 https://www.cursor.com/ 下载 Cursor。 2. 注册账号：使用您的邮箱（如 google、github、163、qq 邮箱）直接登录，也可接受二维码登录。 3. 安装中文包插件。 4. 配置相关设置： 在设置中进行 Rule for AI 配置。 按 ctrl/cmd+i 输入需求，例如“帮我做一个贪吃蛇游戏，在网页中玩”。 清晰表达需求，如详细说明游戏规则和逻辑，包括游戏界面、蛇的移动、食物、增长、死亡条件、得分、难度递增和游戏结束等方面。 5. 使用第三方文档： Cursor 附带一组已爬取、索引的第三方文档，可通过@Docs 符号访问。 若要添加自定义文档，可通过@Docs>Add new doc 实现，粘贴所需文档的 URL 后，Cursor 将索引并学习该文档，您即可将其用作上下文。 在 Cursor Settings>Features>Docs 下可管理已添加的自定义文档，进行编辑、删除或添加新文档的操作。 希望以上内容对您有所帮助。

使用 AI 做 PPT 可以参考以下内容： 1. 信息的 AI 可视化： 优点：节省制作时间、具有优秀的视觉风格、能快速归纳整理信息、可用图形代替文字枯燥的表达。 注意事项： 不要指望复制一段提示词就能得到满意结果，这是与 AI 互动的过程，需要反复尝试。 AI 生成的是基于模型的 HTML 输出，并非真正的 PPT 格式，目前无法在 PPT 里进行二次深度编辑。 模型选择：目前推荐 Claude 3.7 Sonnet，可通过 POE 调用，不建议使用其他效果不佳的模型。 交互流程： 阶段 1 主观描述：通过文字聊天让 Claude 领悟您想要的视觉风格，描述要尽量具体，如颜色、画布、装饰等方面的要求。 2. 好用的 AI PPT 工具： Gamma：在线 PPT 制作网站，支持输入文本和想法提示快速生成幻灯片，可嵌入多媒体格式。https://gamma.app/ 美图 AI PPT：由美图秀秀团队推出，可通过输入文本描述生成专业设计。https://www.xdesign.com/ppt/ Mindshow：AI 驱动的辅助工具，提供智能设计功能。https://www.mindshow.fun/ 讯飞智文：科大讯飞推出的辅助文档编辑工具，利用语音识别和自然语言处理技术，提供智能文本生成等功能。https://zhiwen.xfyun.cn/ 3. 教学案例： 上午的尝试中，Claude + Gamma.app 帮助学生从组会准备工作中解放出来，实现了快速寻找符合条件的论文、提取精炼论文信息、找到适合的 PPT 制作工具并学会使用等目的。 Claude 的用法示例：如通过一系列问题让其搜索权威期刊、论文，提取摘要等，并用于制作 PPT。

如果您已经学习了如何编写 prompt ，接下来可以学习以下内容： 1. 理解 Token 限制：形成“当前消耗了多少 Token”的自然体感，把握有效记忆长度，避免在超过限制时得到失忆的回答。同时，编写 Prompt 时要珍惜 Token ，秉承奥卡姆剃刀原理，精简表达，尤其是在连续多轮对话中。 熟练使用中英文切换，若 Prompt 太长可用英文设定并要求中文输出，节省 Token 用于更多对话。 了解自带方法论的英文短语或句子，如“Chain of thought”。 2. 学习精准控制生成式人工智能：重点学习提示词技术，编写更清晰、精确的指令，引导 AI 工具产生所需结果。 探索构建智能体（AI Agents），将工作单元切割开，赋予其特定角色和任务，协同工作提高效率。 在实际应用中遵循准则，如彻底变“懒人”、能动嘴不动手、能让 AI 做的就不自己动手、构建自己的智能体、根据结果反馈调整智能体、定期审视工作流程看哪些部分可用更多 AI 。 3. 若想进一步提升： 学习搭建专业知识库、构建系统知识体系，用于驱动工作和个人爱好创作。 注重个人能力提升，尤其是学习能力和创造能力。 您还可以结合自身生活或工作场景，想一个能简单自动化的场景，如自动给班级孩子起昵称、排版运营文案、安排减脂餐、列学习计划、设计调研问卷等。选一个好上手的提示词框架开启第一次有效编写，比如从基础的“情境:”开始。

学习 AI 在工作中使用以提高工作效率，不一定需要从技术原理开始学习。以下是一些相关的案例和建议： 案例一：GPT4VAct 是一个多模态 AI 助手，能够模拟人类通过鼠标和键盘进行网页浏览。其应用场景在于以后互联网项目产品的原型设计自动化生成，能使生成效果更符合用户使用习惯，同时优化广告位的出现位置、时机和频率。它基于 AI 学习模型，通过视觉理解技术识别网页元素，能执行点击和输入字符操作等，但目前存在一些功能尚未支持，如处理视觉信息程度有限、不支持输入特殊键码等。 案例二：对于教师来说，有专门的 AI 减负指南。例如“AI 基础工作坊用 AI 刷新你的工作流”，从理解以 GPT 为代表的 AI 工作原理开始，了解其优势短板，学习写好提示词以获得高质量内容，并基于一线教师工作场景分享优秀提示词与 AI 工具，帮助解决日常工作中的常见问题，提高工作效率。 建议：您可以根据自身工作的具体需求和特点，有针对性地选择学习方向。如果您只是想快速应用 AI 提高工作效率，可以先从了解常见的 AI 工具和应用场景入手，掌握基本的操作和提示词编写技巧。但如果您希望更深入地理解和优化 AI 在工作中的应用，了解技术原理会有一定帮助。

以下是一些可用于装修设计的 AI 工具： 1. 酷家乐装修设计软件：利用图像生成和机器学习技术，为用户提供装修设计方案，用户可根据喜好选择和调整。 2. CADtools 12：Adobe Illustrator 插件，为 AI 添加 92 个绘图和编辑工具，包括图形绘制、编辑、标注、尺寸标注、转换、创建和实用工具。 3. Autodesk Fusion 360：集成了 AI 功能的云端 3D CAD/CAM 软件，能创建复杂几何形状和优化设计。 4. nTopology：基于 AI 的设计软件，可创建复杂 CAD 模型，包括拓扑优化、几何复杂度和轻量化设计等。 5. ParaMatters CogniCAD：基于 AI 的 CAD 软件，能根据用户输入的设计目标和约束条件自动生成 3D 模型，适用于拓扑优化、结构设计和材料分布等领域。 6. 生成设计工具：一些主流 CAD 软件，如 Autodesk 系列、SolidWorks 等，提供基于 AI 的生成设计工具，可根据输入自动产生多种设计方案。 7. HDAidMaster：云端工具，在建筑、室内和景观设计领域表现出色，搭载自主训练的建筑大模型 ArchiMaster。 8. Maket.ai：面向住宅行业，在户型和室内软装设计方面有探索，能根据输入自动生成户型图。 9. ARCHITEChTURES：AI 驱动的三维建筑设计软件，在住宅设计早期引入标准和规范约束生成的设计结果。 10. Fast AI 人工智能审图平台：形成全自动智能审图流程，将建筑全寿命周期内信息集成，实现数据汇总与管理。 但每个工具都有特定应用场景和功能，建议根据具体需求选择合适的工具。