
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
[LLM Wiki理论与实践-07:用来生成OpenWiki知识库和完成对话的Agent]详细介绍了OpenWiki针对不同的模式(Code + Personal)和命令(update + chat)会利用DeepAgents创建一个怎样的Agent,我们介绍了注册的工具函数,用来提供Wiki、Skill和对话历史的存储后端,服务于持久化的Checkpointer,以及所有的中间件。现在我们来补充

[LLM Wiki理论与实践-06:详细解析OpenWiki如何摄取外部数据源]介绍的Connector仅仅是将内容导入到对应的源文件中,并更新自身的状态,并不涉及Wiki页面的生成。为构建的知识库生成Wiki,以及针对Wiki完成与用户(针对Personal模式)和Coding Agent的交互需要借助LLM的力量,其背后自然是一个Agent。作为LangChain生态的一部分,OpenWiki

目前我们对GraphRAG的四种查询模式(Basic、Local、Drift和Global)的设计和实现原理,虽然它们擅长从全局着眼来回答问题,但是很多情况下也不能一次就能提供你想要的答案。我们可以采用Agent常用的交谈方式,通过继续追问来获取更多信息。几乎所有这样的应用都会根据当前上下文提供一组候选的问题供你选择,GraphRAG为此专门设计一个名为Question Generation(以下

对于Cordis附加在Context的四大核心服务,我们已经介绍其中三个([EventsService]、[ReflectService]、[RegistryService],我们今天来补充最后一个,用来输出日志的LoggerService。日志的重要性无需多做介绍,如果你需要将DeepSeek Harness来构造正在在产线应用的Agent,相信你会编写很多日志相关的代码,所以我们有必要了解基于

在[上篇]中,我们刻意漏掉了如下所示的两个部分:一是在`extend`方法中用来包装当前`context`对象的`getTraceable`函数,还有就是`Context`构造函数中将自己包装成代理的`ReflectService.handler`。其实这两者最终的目的只有一个:让绑定到固定`Context`上的同一个服务实例在执行的过程在能过自动跟踪当前提供的`Context`。换句话说,当我们

本文介绍了如何利用AsyncSubAgentMiddleware构建异步Sub-Agent系统。通过将transport_agent和accommodation_agent部署为独立服务,Main-Agent可以异步调用这些Sub-Agent执行机票购买和酒店预订任务,同时保持与用户交互的能力。文章详细展示了Agent服务器的构建过程、配置方法以及Main-Agent如何通过AsyncSubAge

Agent剔除LLM后的部分,就是Harness,即`Agent = Model + Harness`。LangChain平台的所有Harness手段都体现在相应的中间件中,这些中间件利用Deep Agents的`create_deep_agent`函数被整合在一起,所以Deep Agents又被称为LangChain平台的Harness。与之类似,MAF下的Harness通过`HarnessAg

[基于OpenEvals的自动化评估-14:以静态代码分析方式评估Coding Agent生成的代码]着重介绍了基于MyPy和Pyright这两种广受欢迎的基于Python的静态代码分析引擎器来评估Agent生成的代码,其实提取出来的代码还可以直接交给LLM进行评估。相关的评估器可以利用create_code_llm_as_judge这个工厂函数来创建,本篇文章就来介绍如何利用这种方式实施针对代码

单纯从消息交互的角度来看待Agent中的model节点,可以看出它旨在利用`AIMessage`提供两种类型的响应: 在需要调用一个或者多个工具情况下,利用`ToolCall`返回针对工具调用意图的描述;做出最终的答复。我们可以利用一个假的模型组件来验证这一点

在本系列前面的文章中,我介绍如何利用OpenEvals提供的预定义提示词,结合LLM-as-a-Judge评估器进行输出文本质量([上篇]、[下篇])、[安全]以及专门[面向RAG的评估]。这篇和下篇则专门聚焦针对用户和Agent之间对话的评估,具体指标包括Agent的语气、是否记住对话历史的内容,以及通过分析用户的言辞和清晰评估用户是否认为Agent犯了错误、答非所问或走错了方向。








