remove
This commit is contained in:
fuzhongyun
parent
582c29d50c
commit
1f159ed749
88
课件资料/0.大纲.md
88
课件资料/0.大纲.md
|
|
@ -1,88 +0,0 @@
|
||||||
# 总大纲：AI应用落地（Agent + 工作流融合实战）
|
|
||||||
|
|
||||||
总时长：72分钟（1.2小时）
|
|
||||||
|
|
||||||
## 0 开场与目标（3分钟）
|
|
||||||
|
|
||||||
- 主题与目标：让后端 Go 团队“又快又稳”做出可用的 AI 应用
|
|
||||||
- 一句话定位：Agent 负责“聪明与解释”，工作流保障“稳定与规模”
|
|
||||||
- 贯穿案例：订单诊断（降低 MTTR/人工接管率、提升稳定性）
|
|
||||||
|
|
||||||
## 1 概念与融合（10分钟）
|
|
||||||
|
|
||||||
- 什么是 Agent：意图识别、工具选择、策略决策、结果解释与对话管理
|
|
||||||
- 什么是工作流：确定性算子编排、状态与数据管理、幂等与重试、失败回退、审计与监控
|
|
||||||
- 优缺点对比：
|
|
||||||
- Agent：灵活、可解释；成本不稳定、可能不一致
|
|
||||||
- 工作流：稳定、可控、低成本；表达复杂判断困难、解释弱
|
|
||||||
- 融合方案（职责边界与组合模式）：
|
|
||||||
- 入口路由：Agent 基于意图调用不同工作流
|
|
||||||
- 工作流内嵌决策：复杂判断节点由 Agent 决策，其余节点确定性执行
|
|
||||||
- 管理者-执行者：Manager Agent 分配任务，工作流封装工具完成
|
|
||||||
- 常见坑：多 Agent 过度设计、记忆与任务状态混淆、工具幂等缺失
|
|
||||||
|
|
||||||
## 2 技术演进（6分钟）
|
|
||||||
|
|
||||||
- 手工时代 → 智能体时代 → 工业化时代（精简版）
|
|
||||||
- 结论：从能用到好用，标准化与可观测是必经之路（不单设页面）
|
|
||||||
|
|
||||||
## 3 需求识别（12分钟）
|
|
||||||
|
|
||||||
- 三招判断：频次、复杂度、容错
|
|
||||||
- 适用与不适用：规则清晰/100%准确/一次性工作不适合 AI
|
|
||||||
- 场景映射：订单诊断、商品分析、文库问答
|
|
||||||
- 回退策略：从 AI 回退为代码/规则引擎的判断标准
|
|
||||||
|
|
||||||
## 4 选型建议（12分钟）
|
|
||||||
|
|
||||||
- 部署方式：供应商（API/Agent/工作流） vs 私有化（云/本地）
|
|
||||||
- 语言选择：阶段化策略（原型优先 Python；生产优先 Go），纯 Go 团队可直接上 Go
|
|
||||||
- 框架推荐：
|
|
||||||
- Python：LangChain/LangGraph（原型与功能全）
|
|
||||||
- Go：Eino、LangChainGo（生产与性能）
|
|
||||||
- 硬件与模型容量：
|
|
||||||
- 7B：16G 显存可行（量化更稳）
|
|
||||||
- 14B：建议 24–48G 显存；16G 需重度量化且质量折衷
|
|
||||||
- 私有化阈值（简易测算）：月 API 费用 ≈ 硬件折旧/月 + 运维人力/月 + 合规需求 → 达到阈值再考虑自建
|
|
||||||
|
|
||||||
## 5 实战演示（24分钟）
|
|
||||||
|
|
||||||
- Python 快速原型（10分钟）：
|
|
||||||
- 用 LangChain/LangGraph 搭“订单诊断”工作流：订单查询→支付网关→风控规则→异常解释
|
|
||||||
- 监控：LangSmith 指标与问题定位
|
|
||||||
- Go 生产化（10分钟）：
|
|
||||||
- 框架：Eino / LangChainGo；HTTP 层（Gin/Hertz）
|
|
||||||
- 目录结构：
|
|
||||||
- `cmd/` 服务入口
|
|
||||||
- `internal/agent/` 意图识别与解释
|
|
||||||
- `internal/workflow/` 节点编排、重试与回退
|
|
||||||
- `internal/tools/` 订单/支付/风控等工具封装
|
|
||||||
- `internal/observability/` 指标、日志、trace
|
|
||||||
- `pkg/` 通用库；`api/` 接口定义（OpenAPI/gRPC）
|
|
||||||
- 工程要点：幂等、错误码、超时/熔断、重试与任务重放
|
|
||||||
- 传输与体验（4分钟）：
|
|
||||||
- 流式对比：SSE（浏览器友好、单向） vs WebSocket（双向、状态管理） vs HTTP Streaming（解析复杂） vs gRPC 流（强类型、需网关）
|
|
||||||
- 选择建议：前端优先 SSE；双向需 WebSocket；内网优先 gRPC/HTTP2
|
|
||||||
- 降低等待焦虑：预热与缓存、渐进式输出（先要点后细节）、并行查询与最慢支路降级、心跳与重连
|
|
||||||
|
|
||||||
## 6 成本评估与阶段化私有化（4分钟）
|
|
||||||
|
|
||||||
- 在线指标：成功率、P95 延迟、令牌用量、调用成本、重试次数、人工接管率
|
|
||||||
- 监控盲点：上下文与工具调用的隐性令牌、未分场景/版本统计
|
|
||||||
- 阶段化决策：先供应商跑通 + 完整监控 → 达阈值再私有化；含合规与数据敏感评估
|
|
||||||
|
|
||||||
## 7 总结（1分钟）
|
|
||||||
|
|
||||||
- 选择 > 实现，适合 > 先进；Agent + 工作流是通用融合方案
|
|
||||||
- 一套模板 + 一套度量与监控 → 快速落地、可持续优化
|
|
||||||
|
|
||||||
## 8 相关资源（1分钟）
|
|
||||||
|
|
||||||
- LangChain：<https://docs.langchain.com/oss/python/langchain/overview>
|
|
||||||
- LangGraph：<https://docs.langchain.com/oss/langgraph/>
|
|
||||||
- Eino 框架：<https://github.com/cloudwego/eino>
|
|
||||||
- LangChainGo：<https://github.com/tmc/langchaingo>
|
|
||||||
- Coze（可视化）：<https://www.coze.cn/opensource>
|
|
||||||
- Coze Studio（本地部署）：<https://github.com/coze-dev/coze-studio>
|
|
||||||
- Coze Loop（监控）：<https://github.com/coze-dev/coze-loop>
|
|
||||||
- 内部模板与评测集：公司知识库/代码模板（按团队链接补充）
|
|
||||||
|
|
@ -1,34 +0,0 @@
|
||||||
# 开场白
|
|
||||||
|
|
||||||
**【承上启下，建立技术演进的连贯性】**
|
|
||||||
|
|
||||||
前面我们学习了AI原理和部署实践，
|
|
||||||
那今天呢？我想和大家聊聊：AI到底该怎么'用好'？
|
|
||||||
|
|
||||||
**【痛点共识】**
|
|
||||||
|
|
||||||
- 算法懂了、模型也能跑，但落地时到底该用 Agent 还是工作流？
|
|
||||||
- SSE、WebSocket、HTTP 流到底怎么选，用户等待体验怎么优化？
|
|
||||||
- 供应商 vs 私有化怎么权衡，成本到什么阶段再自建？
|
|
||||||
|
|
||||||
**【今天我们做什么】**
|
|
||||||
|
|
||||||
- 用一个真实案例（订单诊断）贯穿：Agent 负责意图与解释，工作流负责确定性执行与回退重试
|
|
||||||
- 给出阶段化选型：原型用 Python，生产用 Go（Eino/LangChainGo），并给出目录模板与工程要点
|
|
||||||
- 拆解流式传输与体验优化：选择建议、并行与降级、渐进式输出
|
|
||||||
- 评估成本与私有化阈值：用数据而不是感觉做决定
|
|
||||||
|
|
||||||
**【你将带走】**
|
|
||||||
|
|
||||||
- 可直接复用的 Go 项目目录模板与 Python 原型示例
|
|
||||||
- 流式传输最佳实践与选择建议
|
|
||||||
- 一套成本评估与私有化决策表
|
|
||||||
- 常见坑清单与规避方法（幂等、错误码、记忆与状态分离）
|
|
||||||
|
|
||||||
**【一句话总结】**
|
|
||||||
|
|
||||||
选择 > 实现，适合 > 先进；聪明交给 Agent，稳定交给工作流。
|
|
||||||
|
|
||||||
**【开始吧】**
|
|
||||||
|
|
||||||
接下来 72 分钟，我们用融合方案把“能用”变成“好用、可持续”。
|
|
||||||
|
|
@ -1,20 +0,0 @@
|
||||||
# 承上启下：技术演进与主题定位
|
|
||||||
|
|
||||||
## 技术演进三阶段
|
|
||||||
- 手工时代：Prompt 手工打造，结果不稳定、不可复制
|
|
||||||
- 智能体时代：能记忆与调工具，但仍是作坊式、效率有限
|
|
||||||
- 工业化时代：标准化流程、质量可控、批量复制
|
|
||||||
|
|
||||||
## 主题定位（一句话）
|
|
||||||
- 聪明交给 Agent，稳定交给工作流；两者融合，既好用又可规模复制
|
|
||||||
|
|
||||||
## 课程收益与贯穿案例
|
|
||||||
- 收益：更快选型、更稳上线、更好用户体验、更清晰成本评估
|
|
||||||
- 案例：订单诊断（降低 MTTR、减少人工接管率）
|
|
||||||
|
|
||||||
## 今日路线图
|
|
||||||
- Python 快速原型 → Go 生产化 → 传输与体验优化 → 成本评估与私有化阈值
|
|
||||||
## 一句话总结
|
|
||||||
主题定位：Agent 负责聪明与解释，工作流保障稳定与规模。
|
|
||||||
## 一句话引出
|
|
||||||
进入“融合方案”，明确职责边界与组合模式。
|
|
||||||
|
|
@ -1,30 +0,0 @@
|
||||||
# 融合方案：Agent × 工作流
|
|
||||||
|
|
||||||
## Agent 的职责
|
|
||||||
- 意图识别与对话管理
|
|
||||||
- 工具选择与策略性决策
|
|
||||||
- 结果解释与可解释性输出
|
|
||||||
|
|
||||||
## 工作流的职责
|
|
||||||
- 确定性算子编排与数据读写
|
|
||||||
- 状态管理、幂等、重试与失败回退
|
|
||||||
- 审计与监控、指标采集
|
|
||||||
|
|
||||||
## 组合模式
|
|
||||||
- 入口路由：Agent 基于意图调用不同工作流
|
|
||||||
- 工作流内嵌决策：复杂判断节点由 Agent 决策，其余确定性执行
|
|
||||||
- 管理者-执行者：Manager Agent 分配任务，工作流执行工具
|
|
||||||
|
|
||||||
## 边界与协作
|
|
||||||
- 记忆 vs 任务状态分离：避免业务状态污染对话记忆
|
|
||||||
- 工具接口规范：输入输出、错误码、幂等与超时/熔断
|
|
||||||
- 回退与人机协同：失败分支、人工接管入口、任务重放
|
|
||||||
|
|
||||||
## 常见坑与规避
|
|
||||||
- 多 Agent 过度设计 → 一个入口 Agent + 工作流主干
|
|
||||||
- 幂等缺失与错误码混乱 → 无法重试与回退
|
|
||||||
- 监控缺失 → 无法定位问题与评估成本
|
|
||||||
## 一句话总结
|
|
||||||
边界清晰、模式够用、契约完备，才能让融合方案在生产可控。
|
|
||||||
## 一句话引出
|
|
||||||
下节将把融合范式映射到具体场景与选型。
|
|
||||||
|
|
@ -1,28 +0,0 @@
|
||||||
# 场景识别与技术选型
|
|
||||||
|
|
||||||
## 三招判断适配度
|
|
||||||
- 频次：是否每天出现
|
|
||||||
- 复杂度：是否需要看多个因素
|
|
||||||
- 容错：是否允许偶尔错误
|
|
||||||
|
|
||||||
## 不适用的边界
|
|
||||||
- 规则清晰 → 用代码/规则引擎更稳更便宜
|
|
||||||
- 要求 100% 准确 → AI 不合适
|
|
||||||
- 一次性工作 → 人工处理即可
|
|
||||||
|
|
||||||
## 部署选型
|
|
||||||
- 供应商（API/Agent/工作流）：验证快、维护省心、需评估数据外流
|
|
||||||
- 私有化（云/本地）：数据可控、长期成本可控、需工程与运维投入
|
|
||||||
|
|
||||||
## 语言与框架
|
|
||||||
- 原型：Python（LangChain、LangGraph）
|
|
||||||
- 生产：Go（Eino、LangChainGo）
|
|
||||||
- 团队策略：纯 Go 团队可直接 Go，但建议保留原型快速验证
|
|
||||||
|
|
||||||
## 私有化阈值与硬件预算
|
|
||||||
- 模型容量：7B≈16G 显存；14B建议 24–48G 显存（16G 需重度量化）
|
|
||||||
- 阈值测算：月 API 费用 ≈ 硬件折旧/月 + 运维人力/月 + 合规需求
|
|
||||||
## 一句话总结
|
|
||||||
先用数据选场景与方案，原型快跑，生产稳落，达到阈值再私有化。
|
|
||||||
## 一句话引出
|
|
||||||
随后进入“实战落地”，用订单诊断完成端到端演示。
|
|
||||||
|
|
@ -1,30 +0,0 @@
|
||||||
# 实战落地：架构、传输与成本评估
|
|
||||||
|
|
||||||
## 案例流程（订单诊断）
|
|
||||||
- 节点：订单查询 → 支付网关 → 风控规则 → 异常解释
|
|
||||||
- 分支：失败回退、重试策略、人工接管入口
|
|
||||||
|
|
||||||
## Python 原型要点
|
|
||||||
- LangChain/LangGraph 搭建工作流
|
|
||||||
- LangSmith 指标与问题定位
|
|
||||||
|
|
||||||
## Go 生产要点
|
|
||||||
- 框架：Eino / LangChainGo；HTTP 层（Gin/Hertz）
|
|
||||||
- 目录结构：`cmd/`、`internal/agent`、`internal/workflow`、`internal/tools`、`internal/observability`、`pkg/`、`api/`
|
|
||||||
- 工程要点：幂等、错误码、超时/熔断、重试与任务重放
|
|
||||||
|
|
||||||
## 传输与体验
|
|
||||||
- SSE：浏览器友好、单向推送、实现简单
|
|
||||||
- WebSocket：双向、低延迟、需心跳与状态管理
|
|
||||||
- HTTP Streaming：保持 HTTP 语义，前端解析更复杂
|
|
||||||
- gRPC 流：双向流、性能好、Web 需网关
|
|
||||||
- 降低等待焦虑：预热与缓存、渐进式输出、并行查询与最慢支路降级、心跳与重连
|
|
||||||
|
|
||||||
## 成本与度量
|
|
||||||
- 在线指标：成功率、P95 延迟、令牌用量、调用成本、重试次数、人工接管率
|
|
||||||
- 监控盲点：上下文与工具调用的隐性令牌、未分场景/版本统计
|
|
||||||
- 阶段化私有化：先供应商 + 完整监控 → 达阈值再自建
|
|
||||||
## 一句话总结
|
|
||||||
用融合方案跑通端到端，并以指标闭环驱动体验与成本优化。
|
|
||||||
## 一句话引出
|
|
||||||
最后收束到“课程总结与资源”，附行动清单与评测模板。
|
|
||||||
|
|
@ -1,124 +0,0 @@
|
||||||
# WPS 智能PPT生成提示文档：AI应用落地（Agent × 工作流融合实战）
|
|
||||||
|
|
||||||
## 全局参数
|
|
||||||
- 听众画像：后端 Go 开发，具备基础 AI 应用认知
|
|
||||||
- 目标：理解并掌握“Agent + 工作流”融合范式，能快速原型与稳定生产化
|
|
||||||
- 风格：简洁、工程化、数据驱动；少段落，多要点；配图清晰
|
|
||||||
- 配色：主色蓝灰（#2F5D8A / #4A4A4A），强调色橙（#F59E0B）
|
|
||||||
- 字体：中文用思源黑体/微软雅黑，英文字体用 Inter/Roboto
|
|
||||||
- 页数建议：18–20 页；每页遵循“标题/一句话金句/三要点/图示建议”结构
|
|
||||||
- 图形偏好：流程图、架构图、对比表；避免花哨背景与过多动画
|
|
||||||
- 术语一致：Agent、工作流、SSE、WebSocket、HTTP Streaming、gRPC、MTTR、P95、令牌
|
|
||||||
|
|
||||||
## 目录与每页内容
|
|
||||||
1. 标题页
|
|
||||||
- 金句：选择 > 实现，适合 > 先进
|
|
||||||
- 要点：主题、讲师、时间
|
|
||||||
- 图示：主题封面图（抽象线路/节点）
|
|
||||||
|
|
||||||
2. 开场与目标
|
|
||||||
- 金句：聪明交给 Agent，稳定交给工作流
|
|
||||||
- 要点：听众画像、课程目标、贯穿案例（订单诊断）
|
|
||||||
- 图示：课程目标图标组
|
|
||||||
|
|
||||||
3. 承上启下：技术演进
|
|
||||||
- 金句：从手工到工业化，核心是标准化与可观测
|
|
||||||
- 要点：手工→智能体→工业化；问题与改进；度量意识
|
|
||||||
- 图示：时间轴
|
|
||||||
|
|
||||||
4. 融合方案总览
|
|
||||||
- 金句：边界清晰、模式够用、契约完备
|
|
||||||
- 要点：Agent 职责；工作流职责；融合收益
|
|
||||||
- 图示：双层架构图（Agent 外层、工作流主干）
|
|
||||||
|
|
||||||
5. 组合模式与职责边界
|
|
||||||
- 金句：入口路由、内嵌决策、管理者-执行者
|
|
||||||
- 要点：三种模式；适用场景；边界约束（记忆vs状态）
|
|
||||||
- 图示：三模式示意图
|
|
||||||
|
|
||||||
6. 常见坑与规避
|
|
||||||
- 金句：少而精的 Agent + 可观测工作流
|
|
||||||
- 要点：过度多Agent；幂等与错误码缺失；监控缺失
|
|
||||||
- 图示：问题→对策表
|
|
||||||
|
|
||||||
7. 场景识别三招
|
|
||||||
- 金句：频次、复杂度、容错三步筛选
|
|
||||||
- 要点：三招定义；通过案例映射；回退边界
|
|
||||||
- 图示：打勾/打叉列表
|
|
||||||
|
|
||||||
8. 不适用边界
|
|
||||||
- 金句：能编程就别用 AI；必须 100% 准确也别用
|
|
||||||
- 要点：规则清晰、100%准确、一次性工作
|
|
||||||
- 图示：红线边界卡片
|
|
||||||
|
|
||||||
9. 部署选型
|
|
||||||
- 金句：先供应商跑通，达阈值再私有化
|
|
||||||
- 要点：供应商（API/Agent/工作流）；私有化（云/本地）优缺点
|
|
||||||
- 图示：对比表
|
|
||||||
|
|
||||||
10. 语言与框架
|
|
||||||
- 金句：原型 Python，生产 Go；纯 Go 团队可直接 Go
|
|
||||||
- 要点：LangChain/LangGraph；Eino/LangChainGo；生态与工程取舍
|
|
||||||
- 图示：栈对比图
|
|
||||||
|
|
||||||
11. 私有化阈值与硬件预算
|
|
||||||
- 金句：用数据而不是感觉做决定
|
|
||||||
- 要点：月 API 费测算；自建=硬件折旧+运维+合规；显存容量：7B≈16G，14B建议24–48G（16G重度量化）
|
|
||||||
- 图示：简易成本公式与条形图
|
|
||||||
|
|
||||||
12. 架构总览（订单诊断）
|
|
||||||
- 金句：入口 Agent + 主干工作流，端到端闭环
|
|
||||||
- 要点：输入/输出；节点与分支；回退与人工接管
|
|
||||||
- 图示：端到端流程图
|
|
||||||
|
|
||||||
13. 传输与体验（对比）
|
|
||||||
- 金句：前端优先 SSE；双向用 WebSocket；内网优先 gRPC/HTTP2
|
|
||||||
- 要点：SSE/WebSocket/HTTP Streaming/gRPC 优劣；心跳与重连；渐进式输出与并行降级
|
|
||||||
- 图示：对比表 + 时序图
|
|
||||||
|
|
||||||
14. Python 原型演示
|
|
||||||
- 金句：快速搭建、可观测、可回放
|
|
||||||
- 要点：LangChain/LangGraph；LangSmith 监控；评测集与回放
|
|
||||||
- 图示：原型架构与监控截图占位
|
|
||||||
|
|
||||||
15. Go 生产化演示
|
|
||||||
- 金句：目录清晰、契约完备、稳定可扩展
|
|
||||||
- 要点：Eino/LangChainGo；`cmd/`、`internal/*`、`pkg/`、`api/`；幂等/错误码/重试/熔断
|
|
||||||
- 图示：目录结构树与依赖图
|
|
||||||
|
|
||||||
16. 工程要点（可靠性）
|
|
||||||
- 金句：幂等与错误码是重试与回退的根基
|
|
||||||
- 要点：超时/熔断；任务重放；死信与恢复策略
|
|
||||||
- 图示：容错链路图
|
|
||||||
|
|
||||||
17. 成本与度量
|
|
||||||
- 金句：指标闭环驱动优化与私有化决策
|
|
||||||
- 要点：成功率、P95、令牌、成本、重试、人工接管率；监控盲点与分维度统计
|
|
||||||
- 图示：指标仪表盘占位
|
|
||||||
|
|
||||||
18. 总结与行动清单
|
|
||||||
- 金句：模板 + 度量与监控 → 快速落地、可持续优化
|
|
||||||
- 要点：选一个场景；填选型表；套模板；算成本账
|
|
||||||
- 图示：清单卡片
|
|
||||||
|
|
||||||
19. 相关资源
|
|
||||||
- 金句：拿来即用的外部文档与内部模板
|
|
||||||
- 要点：LangChain、LangGraph、Eino、LangChainGo、Coze、Coze Studio、Coze Loop、内部知识库链接
|
|
||||||
- 图示：资源链接卡片
|
|
||||||
|
|
||||||
## 版式与生成要求
|
|
||||||
- 每页结构：主标题（不超过14字）+ 一句话金句（不超过20字）+ 三要点（每条不超过18字）+ 图示建议（一句话）
|
|
||||||
- 避免长段落；对比用表格；流程用箭头；术语保持一致
|
|
||||||
- 所有英语缩写保留原文：SSE、gRPC、HTTP/2、MTTR、P95
|
|
||||||
- 优先白底深色文字；强调色仅用于关键字或数据
|
|
||||||
|
|
||||||
## 演讲备注（可选）
|
|
||||||
- 强调“融合范式”的方法论与工程可操作性
|
|
||||||
- 贯穿案例用“订单诊断”，度量指标贯穿始终
|
|
||||||
- 传输体验与成本评估是实战关键，不可略过
|
|
||||||
|
|
||||||
## 生成后校对清单
|
|
||||||
- 术语统一；硬件容量数字正确（14B→24–48G 显存建议）
|
|
||||||
- SSE/WebSocket/gRPC 对比无缺项；有心跳与重连要点
|
|
||||||
- 目录结构页包含 `cmd/`、`internal/agent`、`internal/workflow`、`internal/tools`、`internal/observability`、`pkg/`、`api/`
|
|
||||||
- 成本页包含公式与分维度指标
|
|
||||||
174
课件资料/代码.md
174
课件资料/代码.md
|
|
@ -1,174 +0,0 @@
|
||||||
# 代码示例
|
|
||||||
|
|
||||||
langchain生态
|
|
||||||
|
|
||||||
- Chain
|
|
||||||
|
|
||||||
```python
|
|
||||||
async def main():
|
|
||||||
prompt = ChatPromptTemplate.from_messages([
|
|
||||||
("system", "你是一个友好、专业的AI助手。"),
|
|
||||||
("human", "{input}")
|
|
||||||
])
|
|
||||||
|
|
||||||
# 2) 定义模型（按你本地 Ollama 配置调整）
|
|
||||||
model = ChatOllama(
|
|
||||||
model="qwen3:8b", # 或你的实际模型名
|
|
||||||
base_url="http://localhost:11434"
|
|
||||||
)
|
|
||||||
|
|
||||||
# 3) 定义输出解析器，将 AIMessage 转字符串
|
|
||||||
parser = StrOutputParser()
|
|
||||||
|
|
||||||
# 4) 组合为表达式管道
|
|
||||||
chain = prompt | model | parser
|
|
||||||
|
|
||||||
# 非流式调用
|
|
||||||
text = await chain.ainvoke({"input": "请用一句话做自我介绍"})
|
|
||||||
print("非流式：", text)
|
|
||||||
|
|
||||||
# 流式调用
|
|
||||||
print("流式：", end="", flush=True)
|
|
||||||
async for chunk in chain.astream({"input": "讲一个简短的笑话"}):
|
|
||||||
print(chunk, end="", flush=True)
|
|
||||||
```
|
|
||||||
|
|
||||||
- Graph
|
|
||||||
|
|
||||||
```python
|
|
||||||
# 创建状态图
|
|
||||||
async def main():
|
|
||||||
workflow = StateGraph(WorkflowState)
|
|
||||||
|
|
||||||
# 添加节点
|
|
||||||
workflow.add_node("intent_analysis", self._intent_analysis_wrapper)
|
|
||||||
workflow.add_node("order_diagnosis", self._order_diagnosis_wrapper)
|
|
||||||
workflow.add_node("natural_chat", self._natural_chat_wrapper)
|
|
||||||
|
|
||||||
# 设置入口点
|
|
||||||
workflow.set_entry_point("intent_analysis")
|
|
||||||
|
|
||||||
# 添加条件边
|
|
||||||
workflow.add_conditional_edges(
|
|
||||||
"intent_analysis",
|
|
||||||
self._route_after_intent_analysis,
|
|
||||||
{
|
|
||||||
"order_diagnosis": "order_diagnosis",
|
|
||||||
"natural_chat": "natural_chat",
|
|
||||||
"end": END
|
|
||||||
}
|
|
||||||
)
|
|
||||||
|
|
||||||
# 添加结束边
|
|
||||||
workflow.add_edge("order_diagnosis", END)
|
|
||||||
workflow.add_edge("natural_chat", END)
|
|
||||||
|
|
||||||
# 编译图
|
|
||||||
agent = workflow.compile()
|
|
||||||
|
|
||||||
messages = [HumanMessage(content="Add 3 and 4.")]
|
|
||||||
messages = agent.invoke({"messages": messages})
|
|
||||||
for m in messages["messages"]:
|
|
||||||
print(m.content)
|
|
||||||
```
|
|
||||||
|
|
||||||
对应流程图（Mermaid）
|
|
||||||
|
|
||||||
```mermaid
|
|
||||||
flowchart TD
|
|
||||||
IA[intent_analysis] --> ROUTE{判断意图}
|
|
||||||
ROUTE -->|order_diagnosis| OD[order_diagnosis]
|
|
||||||
ROUTE -->|natural_chat| NC[natural_chat]
|
|
||||||
ROUTE -->|end| END((END))
|
|
||||||
|
|
||||||
OD --> END
|
|
||||||
NC --> END
|
|
||||||
```
|
|
||||||
|
|
||||||
说明：当意图分析结果为空或不满足条件时，视为“否”分支，进入 `natural_chat`。
|
|
||||||
|
|
||||||
- Agent
|
|
||||||
|
|
||||||
```python
|
|
||||||
from langchain.agents import create_agent
|
|
||||||
|
|
||||||
def get_weather(city: str) -> str:
|
|
||||||
"""Get weather for a given city."""
|
|
||||||
return f"It's always sunny in {city}!"
|
|
||||||
|
|
||||||
agent = create_agent(
|
|
||||||
model="claude-sonnet-4-5-20250929",
|
|
||||||
tools=[get_weather],
|
|
||||||
system_prompt="You are a helpful assistant",
|
|
||||||
)
|
|
||||||
|
|
||||||
# Run the agent
|
|
||||||
agent.invoke(
|
|
||||||
{"messages": [{"role": "user", "content": "what is the weather in sf"}]}
|
|
||||||
)
|
|
||||||
```
|
|
||||||
|
|
||||||
Go生态
|
|
||||||
|
|
||||||
- chain
|
|
||||||
|
|
||||||
```go
|
|
||||||
package main
|
|
||||||
|
|
||||||
import (
|
|
||||||
"context"
|
|
||||||
"fmt"
|
|
||||||
"os"
|
|
||||||
|
|
||||||
"github.com/cloudwego/eino/compose"
|
|
||||||
"github.com/cloudwego/eino/components/prompt"
|
|
||||||
"github.com/cloudwego/eino/schema"
|
|
||||||
"github.com/cloudwego/eino-ext/components/model/openai"
|
|
||||||
)
|
|
||||||
|
|
||||||
func main() {
|
|
||||||
ctx := context.Background()
|
|
||||||
|
|
||||||
// 1) 定义 ChatTemplate（输入键：query），使用 Jinja2 格式
|
|
||||||
pt := prompt.FromMessages(
|
|
||||||
schema.Jinja2,
|
|
||||||
schema.SystemMessage("你是一个友好的AI助手。请用中文回答。"),
|
|
||||||
schema.UserMessage("用户问题：{{query}}"),
|
|
||||||
)
|
|
||||||
|
|
||||||
// 2) 创建 ChatModel（以 OpenAI 为例，按需替换为其他提供商）
|
|
||||||
cm, err := openai.NewChatModel(ctx, &openai.ChatModelConfig{
|
|
||||||
APIKey: os.Getenv("OPENAI_API_KEY"),
|
|
||||||
BaseURL: os.Getenv("OPENAI_BASE_URL"), // 可选，自建或代理时设置
|
|
||||||
Model: os.Getenv("MODEL_NAME"), // 例如："gpt-4o-mini"
|
|
||||||
})
|
|
||||||
if err != nil {
|
|
||||||
fmt.Println("初始化模型失败:", err)
|
|
||||||
return
|
|
||||||
}
|
|
||||||
|
|
||||||
// 3) 组合并编译 Chain：模板 -> 模型
|
|
||||||
chain, err := compose.NewChain[map[string]any, *schema.Message]().
|
|
||||||
AppendChatTemplate(pt). // prompt
|
|
||||||
AppendChatModel(cm). // model
|
|
||||||
// AppendBranch 分支
|
|
||||||
// AppendPassthrough 空透传节点
|
|
||||||
// AppendParallel 并行节点
|
|
||||||
// AppendGraph 子图节点
|
|
||||||
// AppendLambda 自定义函数节点
|
|
||||||
Compile(ctx) // 编译链
|
|
||||||
if err != nil {
|
|
||||||
fmt.Println("编译链失败:", err)
|
|
||||||
return
|
|
||||||
}
|
|
||||||
|
|
||||||
// 4) 调用链（非流式）
|
|
||||||
msg, err := chain.Invoke(ctx, map[string]any{"query": "简要介绍一下 Eino 的 Chain"})
|
|
||||||
if err != nil {
|
|
||||||
fmt.Println("调用失败:", err)
|
|
||||||
return
|
|
||||||
}
|
|
||||||
|
|
||||||
fmt.Println("回复：", msg.Content)
|
|
||||||
}
|
|
||||||
```
|
|
||||||
Loading…
Reference in New Issue