保定市建设施工许可证查询网站泉州企业免费建站

保定市建设施工许可证查询网站,泉州企业免费建站,宁波市建筑业管理信息网,网站优化排名软件哪些 最好简介 本文介绍如何使用LangChain和FastAPI构建生产级工具增强型LLM Agent#xff0c;实现token流式输出、代码执行和搜索能力。通过FastAPI异步能力和SSE实现低延迟流式传输#xff0c;集成Python REPL、搜索API和PostgreSQL工具。这种Agent不仅能生成文本#xff0c;还能使…简介本文介绍如何使用LangChain和FastAPI构建生产级工具增强型LLM Agent实现token流式输出、代码执行和搜索能力。通过FastAPI异步能力和SSE实现低延迟流式传输集成Python REPL、搜索API和PostgreSQL工具。这种Agent不仅能生成文本还能使用外部工具采取行动代表了LLM从聊天到行动的转变为开发者提供了构建会行动而非仅会聊天的AI系统的实战指南。构建一个可用于生产的、工具增强型 LLM Agent具备 token 流式输出、代码执行、搜索能力以及 FastAPI 带来的极速表现。当 ChatGPT 刚面世时感觉就像魔法。但新鲜感很快过去开发者开始共同发问我们该如何超越“聊天”我想打造更聪明的东西——一个能够实时推理、联网搜索、运行代码、访问结构化数据并且可以一边“打字”一边响应的 AI Agent。于是我动手做了一个。借助LangChain和FastAPI这个多工具 AI Agent 可以编排浏览器、数据库、Python REPL 等外部工具并以 token 为单位实时流式输出生成内容。本文将拆解我的实战方案以及你如何也能搭建同样的系统。 ️ 愿景多工具 Agent 是 LLM 的未来LLM 很擅长生成文本但在“采取行动”方面有局限。LangChain 的 AgentExecutor正是为此而生——它通过让模型使用各类“tools”为其“装上手脚”。需要实时数据调用搜索 API。需要算数起一个代码解释器。需要结构化信息接上数据库。但问题在于大部分演示只停留在“可以跑”。我想要的是一个能在生产环境中稳定服务的系统利用FastAPI的异步能力和类似 ChatGPT 界面的token 级流式输出。 核心技术栈快速拆解这个实时 Agent 背后的技术选型LangChain负责 Agent 逻辑、Prompt 模板、Memory、Tool 链接OpenAI GPT-4 / GPT-3.5用于推理与生成FastAPI高效通过 HTTP 提供服务AsyncLangChain SSE (Server-Sent Events)实现实时 token 流式传输Python REPL Tool在沙箱中安全执行 Python 代码Google Search Tool基于 SerpAPI获取最新的网页信息PostgreSQL Tool查询结构化数据关键词自然覆盖langchain fastapi streaming, LLM agents, real-time AI agent, code execution with langchain, serve AI agent API 用 LangChain 构建 AgentLangChain 提供了构建可使用外部工具的推理 Agent 所需的一切。概念流程如下定义 ToolsTool 本质是带有名称、描述和可调用体的 Python 包装。例如from langchain.agents import Tooldef run_code(code: str) - str: # Execute in sandbox (be careful in prod!) try: returnstr(eval(code)) except Exceptionas e: returnstr(e)code_tool Tool( namePython REPL, funcrun_code, descriptionExecutes Python code and returns the result)初始化 Agent我使用了 LangChain 的initialize_agent()并选择chat-zero-shot-react-description类型让模型可以自主选择工具并逐步解释其推理过程。添加 Memory可选你可以用ConversationBufferMemory持久化会话历史或者在规模化时替换为 Redis。开启 Streaming若要按 token 流式输出将stream_handlerLangChain 的AsyncIteratorCallbackHandler传入 OpenAI LLM 类即可。 使用 FastAPI 和 Server-Sent Events 提供服务流式传输是许多基于 LLM 的 API 的短板。传统做法是点“发送”等 10 秒然后一次性返回一大段内容——这不是用户期望的体验。FastAPI 对SSEServer-Sent Events的支持非常适合低延迟流式传输。我的接入方式如下from fastapi import FastAPIfrom fastapi.responses import StreamingResponsefrom sse_starlette.sse import EventSourceResponseapp.get(/agent/stream)async def stream_agent_response(query: str): async def event_generator(): async for chunk in run_agent_stream(query): yield {event: message, data: chunk} return EventSourceResponse(event_generator())run_agent_stream()会实时产出来自 LangChain 的 token 片段。前端可以像 OpenAI playground 一样边到边渲染。自然覆盖的相关搜索fastapi streaming response, langchain async stream, token streaming openai, how to build real-time LLM agent 工具集成搜索、数据库与代码执行 Web 搜索工具为回答最新问题我通过 LangChain 的封装集成了SerpAPI。这让模型可以在不知道答案时“Google 一下”。from langchain.tools import Toolfrom langchain.utilities import SerpAPIWrappersearch SerpAPIWrapper()search_tool Tool( nameGoogle Search, funcsearch.run, descriptionUse this to look up current events or recent data) PostgreSQL 工具我通过 LangChain 的 SQL Agent 连接到本地 Postgres 数据库。这样模型就能查询结构化数据例如产品信息、日志或分析数据。这对企业内部 Agent 非常有价值。⚙️ 代码执行工具为执行逻辑我用受限的全局变量构建了一个最小化的 Python REPL 沙箱。不要在生产环境中直接使用eval()除非有强有力的安全措施。建议使用 Docker 沙箱或诸如 Code Interpreter API 的服务。 实时效果最终的 UX连接完成后用户发出一个请求“请总结这篇文章并计算每个段落的平均词数。另外附上排名前 3 的来源链接。”Agent 可能会搜索该文章运行代码处理文本调用数据库核验来源在生成时将答案以 token 流的形式持续推送到前端这一切都在“直播”进行——用户能看到 Agent 边想边答。这种交互体验更接近 ChatGPT但用的是你自己的工具和后端。⚡ 构建过程中的关键经验流式传输很关键按 token 输出的 UX 能显著提升速度感与信任感LLM ≠ 全栈应用要超越“生成”外部工具必不可少LangChain 灵活但偏“啰嗦”要准备好管理复杂的 PromptFastAPI 非常适合异步速度飞快SSE 支持一流生产安全在公开前为工具加上限流、日志与监控 Bonus部署 Agent我用Docker容器化服务使用NGINX作为反向代理并部署到Render也可选Fly.io。请将 LLM Key、数据库凭证和搜索 API Key 安全存放在环境变量或密钥管理服务中。更丰富的前端可采用 React SWR 搭配 SSE 客户端。这样几乎无延迟地实现实时交互。 ️结语这个项目让我意识到我们正从“Prompt Engineering”迈向工具编排。LLM 不再只是生成器而是更大系统中的决策者。借助LangChain、FastAPI和少量精心挑选的工具你可以构建会“行动”的 Agent而不仅仅是会“聊天”的 Agent。如何学习AI大模型如果你对AI大模型入门感兴趣那么你需要的话可以点击这里大模型重磅福利入门进阶全套104G学习资源包免费分享这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】这是一份大模型从零基础到进阶的学习路线大纲全览小伙伴们记得点个收藏第一阶段从大模型系统设计入手讲解大模型的主要方法第二阶段在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段以SD多模态大模型为主搭建了文生图小程序案例第七阶段以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。100套AI大模型商业化落地方案大模型全套视频教程200本大模型PDF书籍学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。LLM面试题合集大模型产品经理资源合集大模型项目实战合集获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】