详细内容或原文请订阅后点击阅览
langgraph 201：将人类的监督添加到您的深入研究代理
在工作流程中间失去对AI代理的控制是一个常见的疼痛点。如果您已经构建了自己的代理应用程序，那么您很可能已经看到了这种情况。虽然当今LLMS的功能令人难以置信，但在复杂的工作流程中，它们仍然还没有完全自动运行。对于任何实用[…] langgraph 201：对您的深入研究代理人的添加人类监督首先出现在数据科学方面。
来源:走向数据科学工作流程中间的AI代理是一个常见的疼痛点。如果您已经构建了自己的代理应用程序，那么您很可能已经看到了这种情况。
虽然LLMS如今具有令人难以置信的能力，但它们仍然还没有完全自动运行在复杂的工作流程中。对于任何实用的代理应用，人类的投入仍然很需要做出关键决策和必要的课程校正。
这是人类模式出现的地方。好消息是，您可以轻松地在langgraph中实现它们。
人类在循环在我以前的帖子（Langgraph 101：让我们建立一个深入的研究代理）中，我们彻底解释了Langgraph的核心概念，并详细介绍了如何使用Langgraph来构建实用的深层研究代理。我们展示了研究代理如何自主搜索，评估结果并进行迭代，直到找到足够的证据来获得全面的答案为止。
在我以前的帖子中 Langgraph 101：让我们建立一个深入的研究代理该博客的一个松散的结局是，代理商从头到尾都完全自动运行。没有人为指导或反馈的切入点。
让我们在本教程中解决这个问题！
因此，这是我们的游戏计划：我们将采用相同的研究代理，并通过人类的功能来增强它。您将确切地看到如何实施检查点，以使人类的反馈使您的代理商更加可靠和值得信赖。
所以，这是我们的游戏计划 检查点如果您是Langgraph的新手，或者想要在Core Langgraph Conpcets上进行进修，我强烈建议您查看我以前的帖子。我将尝试使当前的帖子独立，但考虑到空间限制，可能会跳过一些解释。您可以在我以前的帖子中找到更多详细的描述。如果您是Langgraph的新手，或者想要在Core Langgraph Conpcets上进行进修，我强烈建议您查看我以前的帖子。我将尝试使当前的帖子独立，但考虑到空间限制，可能会跳过一些解释。