Ubuntu TechHive
building-llm-agents-with-langchain-and-langgraph.md
Building Llm Agents With Langchain And LangGraph
article.detalle

Building Llm Agents With Langchain And LangGraph

K
Kofi Boateng
9 min de lectura
Publicado
reading.progreso 9 min de lectura

Descripción de la construcción de agentes LLM con Langchain y LangGraph

Agenda

Español

  • Introducción a los agentes LLM:

  • Creación de agentes LLM simples:

  • Desarrollo avanzado de agentes LLM:

  • Presentación del proyecto: Creación de una aplicación de agente de viajes:

  • Simplificación del desarrollo con Autogen Studio de Microsoft:

  • Demostración del proyecto final:

Français

  • Introduction aux agents LLM :

  • Création d'agents LLM simples :

  • Développement d'agents LLM avancés :

  • Présentation du projet : Création d'une application d'agent de voyages :

  • Simplification du développement avec Autogen Studio de Microsoft :

  • Démonstration du projet de fin d'études :

Visión general de los agentes LLM y sus aplicaciones

Introducción a los agentes LLM

Español

Definición: Los Agentes de Modelos de Lenguaje Grande (LLM) son sistemas de IA diseñados para comprender, generar y responder al lenguaje humano de una manera que simula la interacción humana. Los Agentes LLM pueden automatizar tareas, proporcionar información, ayudar en la toma de decisiones y mejorar las experiencias de usuario en diversas industrias. Para entender qué son los agentes LLM, necesitamos retroceder para entender qué es un LLM y cómo surgieron los agentes. Los Modelos de Lenguaje Grande (LLM) son modelos avanzados de inteligencia artificial diseñados para comprender y generar texto similar al humano. Estos modelos se basan típicamente en arquitecturas de aprendizaje profundo, específicamente transformadores, que les permiten procesar y producir lenguaje natural con alta precisión y coherencia. Los LLM se entrenan con grandes cantidades de datos de texto, lo que les permite aprender las complejidades del lenguaje, incluyendo gramática, contexto, semántica e incluso cierto nivel de sentido común.

razonamiento nse.

Francés

Definición: Los agentes LLM (Large Language Model) son sistemas de IA diseñados para comprender, generar y responder al lenguaje humano de una manera que simula una interacción de tipo humano. Los agentes LLM pueden automatizar tareas, proporcionar información, ayudar en la toma de decisiones y mejorar la experiencia del usuario en diversos sectores. Para comprender qué son los agentes LLM, debemos dar un paso atrás para entender qué es un LLM y cómo nacieron los agentes. Los grandes modelos de lenguaje (LLM) son modelos avanzados de inteligencia artificial diseñados para comprender y generar texto de tipo humano. Estos modelos se basan generalmente en arquitecturas de aprendizaje profundo, en particular transformadores, que les permiten procesar y producir lenguaje natural con gran precisión y coherencia. Los LLM se entrenan con gr

grandes cantidades de datos textuales, lo que les permite aprender las sutilezas del lenguaje, incluyendo la gramática, el contexto, la semántica e incluso un cierto nivel de razonamiento de sentido común.

Transformers and LLMs:

Español

Los Transformers, introducidos en 2017 con el artículo "Attention is All You Need", se convirtieron en la base del PNL moderno. Los LLM como GPT-3 y BERT demostraron capacidades lingüísticas sin precedentes, comprendiendo el contexto, generando texto coherente y realizando tareas lingüísticas complejas.

Français

Les transformateurs, introduits en 2017 avec le document « Attention is All You Need », sont devenus la base du PNL moderne. Des LLM comme GPT-3 et BERT ont démontré des capacités linguistiques sans précédent, comprenant le contexte, générant du texte cohérent et effectuant des tâches linguistiques complexes.

Emergence of Intelligent Agents

Español

Los Agentes Inteligentes surgieron en la década de 2020 – Presente. Basándose en los avances de los LLM, surgieron agentes inteligentes, combinando la autonomía de los agentes tradicionales con capacidades lingüísticas avanzadas. Estos agentes pueden comprender y generar lenguaje natural, interactuar con los usuarios, integrar herramientas y API externas, y realizar tareas complejas.

Français

Les agents intelligents sont apparus dans les années 2020 – aujourd’hui. S’appuyant sur les avancées des LLM, des agents intelligents ont émergé, combinant l’autonomie des agents traditionnels avec des capacités linguistiques avancées. Ces agents peuvent comprendre et générer du langage naturel, interagir avec les utilisateurs, intégrer des outils et des API externes et effectuer des tâches complexes.

Sistemas Agénticos

Español

LangChain y Otros Frameworks:

Marcos de trabajo como LangChain proporcionan herramientas para desarrollar y gestionar agentes inteligentes, permitiendo la integración con LLMs y herramientas externas. Estos agentes pueden realizar una amplia gama de tareas, desde soporte al cliente hasta asistencia personal y flujos de trabajo automatizados.

Ejemplos de Agentes Inteligentes Modernos:

a.Chatbots y Asistentes Virtuales:

  • Impulsados por LLMs, estos agentes proporcionan interacción similar a la humana, manejando consultas de clientes, programación y tareas personales.

  • Ejemplos: ChatGPT de OpenAI, Google Assistant, Amazon Alexa.

b.Soporte al Cliente Automatizado:

  • Agentes integrados con sistemas CRM para gestionar tickets de soporte, proporcionar información y resolver problemas.

  • Ejemplos: Bots de soporte automatizado de Intercom, Zendesk Answer Bot.

c.Recomendaciones Personalizadas:

  • Agentes que analizan las preferencias y comportamientos del usuario para proporcionar recomendaciones personalizadas de productos, servicios o contenido.

  • Ejemplos: motor de recomendaciones de Netflix, recomendaciones de productos de Amazon.

d.Automatización de tareas:

  • Agentes que automatizan tareas repetitivas, como la entrada de datos, la generación de informes y la gestión de correo electrónico.

  • Ejemplos: bots RPA de UiPath, Power Automate de Microsoft.

Français

LangChain et autres frameworks:

Les frameworks comme LangChain fournissent des outils pour développer et gérer des agents intelligents, permettant l'intégration avec des LLM et des outils externes. Ces agents peuvent effectuer un large éventail de tâches, du support client à l'assistance personnelle et aux flux de travail automatisés.

Exemples d'agents intelligents modernes:

a.Chatbots et assistants virtuels:

  • Impulsados por LLM, estos agentes ofrecen interacción de tipo humano, procesan las solicitudes de los clientes, planifican y realizan tareas personales.

  • Ejemplos: ChatGPT de OpenAI, Google Assistant, Amazon Alexa.

b.Soporte al cliente automatizado:

  • Agentes integrados en sistemas CRM para gestionar tickets de soporte, proporcionar información y resolver problemas.

  • Ejemplos: los bots de soporte automatizados de Intercom, Zendesk Answer Bot.

c.Recomendaciones personalizadas:

  • Agentes que analizan las preferencias y comportamientos de los usuarios para proporcionar recomendaciones personalizadas de productos, servicios o contenido.

  • Ejemplos: el motor de recomendaciones de Netflix, las recomendaciones de productos de Amazon.

d.Automatización de tareas:

  • Agents qui automatisent les tâches répétitives, telles que la saisie de données, la génération de rapports et la gestion des e-mails.

  • Exemples : les robots RPA d'UiPath, Power Automate de Microsoft.

Aplicaciones de los Agentes LLM

Inglés

  • Servicio al Cliente: Automatización de respuestas a consultas de clientes, proporcionando soporte 24/7.

  • Creación de Contenido: Asistencia en la escritura, edición y generación de contenido creativo.

  • Educación: Personalización de experiencias de aprendizaje, tutorías y provisión de recursos educativos.

  • Salud: Ofrecer asesoramiento médico preliminar, programar citas y gestionar registros de pacientes.

  • Finanzas: Asistencia en la planificación financiera, gestión de presupuestos y provisión de asesoramiento de inversión.

  • Viajes y Hostelería: Planificación de viajes, reserva de alojamientos y provisión de recomendaciones de viaje.

Français

  • Servicio al cliente: automatización de respuestas a solicitudes de clientes, asistencia 24/7.

  • Creación de contenido: asistencia en la redacción, edición y generación de contenido creativo.

  • Educación: personalización de experiencias de aprendizaje, tutorías y provisión de recursos educativos.

  • Atención médica: oferta de consejos médicos preliminares, programación de citas y gestión de expedientes de pacientes.

  • Finanzas: asistencia en la planificación financiera, gestión de presupuestos y provisión de consejos de inversión.

  • Viajes y hotelería: planificación de viajes, reserva de alojamientos y provisión de recomendaciones de viaje.

Proyecto Final

graph TD
START --> A [Travel Planner]
A --> B [Select Hotels]
A --> C [Select Plane Tickets]
A --> D [Select Events]
B --> E [Feedback Loop]
C --> E [Feedback Loop]
D --> E [Feedback Loop]
E --> F [Check User Requirements]
F --> A
F --> END

Español

Como proyecto final, construiremos una aplicación de agente de viajes basada en LLM Agent que potencialmente reserva billetes de avión, reserva alojamiento y proporciona recomendaciones de eventos en el lugar de destino.

Français

En tant que projet de fin d'études, nous allons créer une application d'agent de voyages basée sur LLM Agent qui permet potentiellement de réserver des billets d'avion, de réserver un hébergement et de fournir des recommandations d'événements dans le lieu de destination.

Comprendiendo los Fundamentos de LangChain y LangGraph

Español

Definición: Uno de los frameworks comerciales para construir aplicaciones impulsadas por LLM, centrándose en la creación de cadenas de operaciones que procesan y responden a las entradas. Las características clave de LangChain incluyen:

  • Diseño modular para flexibilidad y escalabilidad.

  • Integración con diversas herramientas y fuentes de datos.

  • Soporte para la construcción de flujos de trabajo complejos.

LangGraph es una extensión de LangChain que utiliza estructuras de grafos para gestionar y visualizar las relaciones entre diferentes operaciones y puntos de datos. Las características clave de LangGraph incluyen:

  • Representación visual de los flujos de trabajo de LLM.

  • Depuración y optimización mejoradas mediante el análisis de grafos.

  • Capacidad para manejar dependencias y flujos de datos complejos.

Consulte la presentación de la Demo para los siguientes temas:

Francés

Definición: Uno de los marcos comerciales para la creación de aplicaciones basadas en LLM, centrado en la creación de cadenas de operaciones que procesan y responden a las entradas. Las principales características de LangChain incluyen:

  • Diseño modular para flexibilidad y escalabilidad.

  • Integración con diversas herramientas y fuentes de datos.

  • Soporte para la creación de flujos de trabajo complejos.

LangGraph es una extensión de LangChain que utiliza estructuras gráficas para gestionar y visualizar las relaciones entre diferentes operaciones y puntos de datos. Las principales características de LangGraph incluyen:

  • Representación visual de los flujos de trabajo LLM.

  • Depuración y optimización mejoradas mediante el análisis gráfico.

  • Capacidad para gestionar dependencias y flujos de datos complejos.

Consulte la presentación de demostración para los siguientes temas:

LangChain / LangGraph

English

  • Configuración de su entorno de desarrollo

  • Herramientas y bibliotecas:

  • Python: Asegúrese de que Python esté instalado en su sistema. Versión recomendada: 3.8 o superior.

  • IDE o editor de código: Utilice un Entorno de Desarrollo Integrado (IDE) como PyCharm, VSCode o Jupyter Notebook para codificar.

  • LangChain y LangGraph: Instale estas bibliotecas usando pip.

  • pip install langchain, langgraph and other libraries

  • Crear un entorno virtual:

python -m venv llm_env
  • Active su ruta de Python
source llm_env/bin/activate

En Windows

llm_env\Scripts\activate
  • Diseñar diagramas de flujo

Français

  • Configuración de su entorno de desarrollo

  • Herramientas y bibliotecas :

  • Python: asegúrese de que Python esté instalado en su sistema. Versión recomendada: 3.8 o superior.

  • IDE o editor de código: utilice un entorno de desarrollo integrado (IDE) como PyCharm, VSCode o Jupyter Notebook para codificar.

  • LangChain y LangGraph: instale estas bibliotecas usando pip.

  • pip install langchain, langgraph y otras bibliotecas

  • Cree un entorno virtual:

python -m venv llm_env
  • Active su ruta de Python
source llm_env/bin/activate

En Windows

llm_env\Scripts\activate
  • Diseñe diagramas de flujo

Microsoft’s AutoGen Studio

English

  • Setting Up Your Development Environment

  • Build and test the LLM Agent based Travel Agent App

Français

  • Configuración de su entorno de desarrollo

  • Cree y pruebe la aplicación Travel Agent basada en LLM Agent

Recursos

Volver a artículos