LangGraph实践：文本摘要智能体

作者：CSDN博客
个人使用LangGraph框架实现的一个多角色的文本摘要智能体示例。
1、流程设计

• 根据原文生成初步的摘要。
  
• 进入文本润色节点对摘要进行润色，增强摘要的可读性和流畅性。
  
• 进入文本审查节点对摘要与原文的一致性进行审查   
  
  摘要中的信息符合原文，输出结果
  摘要中的信息不符合原文，将原文、摘要和摘要中存在的问题都交给文本修改节点进行修改。修改结束以后再进入文本审查节点审查摘要与原文的一致性
  
  
  

2、状态

状态是状态图中节点之间传递消息的数据结构

1. from typing import TypedDict
2. # 定义状态类型
3. class AgentState(TypedDict):
4.     task_id: str         # 任务ID
5.     original_text: str   # 原始文本
6.     abstract_text: str   # 摘要文本
7.     polish_text: str     # 修改文本
8.     check_result: int    # 审查结果
9.     check_reason: str    # 审查理由

复制代码

3、节点

图中主要包含四个节点，每个节点代表一个角色，各自负责完成对应的工作，共同组成了一个多角色的智能体系统。
3.1、abstractNode

1. from messageState.agentState import AgentState
2. from config.promptConfig import abstract_prompt
3. from util.llm import call_llm
5. def abstract_node(state: AgentState) -> AgentState:
6.     task_id = state['task_id']
7.     print(f"任务ID为{task_id},进入摘要节点")
8.     original_text = state['original_text']
9.     if original_text is None:
10.         print("原文为空")
11.     else:
12.         system_prompt = abstract_prompt
13.         user_prompt = f"需要生成摘要的原文为{original_text}"
14.         abstract_text = call_llm(user_prompt,system_prompt)
15.         state['abstract_text'] = abstract_text
16.     return state

复制代码

3.2、polishNode

1. from messageState.agentState import AgentState
2. from config.promptConfig import polish_prompt
3. from util.llm import call_llm
4. def polish_node(state: AgentState) -> AgentState:
5.     task_id = state['task_id']
6.     print(f"任务ID为{task_id},进入润色节点")
7.     abstract_text = state['abstract_text']
8.     if abstract_text is None:

复制代码

原文地址：https://blog.csdn.net/weixin_44907479/article/details/147097227