🌟 支持此项目: 您的赞助为 GenAI agent 开发的创新提供动力。成为赞助者 来帮助维护和扩展这个宝贵的资源!

欢迎来到今天最广泛和最动态的生成式 AI (GenAI) agent 教程和实现集合之一。这个仓库作为学习、构建和共享 GenAI agents 的综合资源,从简单的对话机器人到复杂的多代理系统。

生成式 AI agents 处于人工智能的前沿,正在革命性地改变我们与 AI 技术交互和利用的方式。这个仓库旨在指导您完成开发之旅,从基本的 agent 实现到先进的、前沿的系统。

我们的目标是为每个人提供宝贵的资源 — 从刚刚迈出 AI 第一步的初学者到推动可能性的界限的经验丰富的从业者。通过提供从基础到复杂的各种示例,我们旨在促进 GenAI agents 快速发展领域的学习、实验和创新。

此外,这个仓库作为展示创新 agent 创作的平台。无论您开发了新颖的 agent 架构还是为现有技术找到了创新的应用,我们都鼓励您与社区分享您的工作。

🚀 通过我的 Agents Towards Production 仓库提升水平。它提供横向的、代码优先的教程,涵盖构建生产级 GenAI agents 生命周期中的每个工具和步骤,通过经过验证的模式和可重用的蓝图指导您从想法到规模,如果您认真考虑将 agents 投入生产,这是最明智的起点。

📚 深入研究我的 RAG 技术综合指南,学习如何将外部知识集成到 AI 系统中,通过最新和相关的信息检索增强它们的能力。

🖋️ 探索我的 Prompt Engineering Techniques 指南,获取从基本概念到高级方法的广泛提示策略集合,提高您与 AI 语言模型有效沟通的能力。

这个仓库随着您的贡献而变得更强大! 加入我们充满活力的社区 — 共同塑造和推进这个项目的中心枢纽 🤝

Educational AI Subreddit

GenAI Agents Discord 社区

无论您是渴望学习的新手还是准备分享知识的专家,您的见解都可以塑造 GenAI agents 的未来。加入我们,提出想法,获得反馈,并协作创新实现。有关贡献指南,请参阅我们的 CONTRIBUTING.md 文件。让我们共同推进 GenAI agent 技术!

🔗 有关 GenAI、agents 的讨论,或探索知识共享机会,请随时 在 LinkedIn 上连接。

• 🎓 学习从初学者到高级水平构建 GenAI agents
• 🧠 探索广泛的 agent 架构和应用
• 📚 分步教程和综合文档
• 🛠️ 实用的、即用型 agent 实现
• 🌟 定期更新 GenAI 的最新进展
• 🤝 与社区分享您自己的 agent 创作成果

以下是我们的 GenAI agent 实现的综合概述,按类别和功能组织。每个实现旨在展示 AI agent 开发的不同方面,从基本的对话 agents 到复杂的多代理系统。

#	Category	Agent Name	Framework	Key Features
1	🌱 Beginner	Simple Conversational Agent	LangChain/PydanticAI	上下文感知对话,历史管理
2	🌱 Beginner	Simple Question Answering	LangChain	查询理解,简洁回答
3	🌱 Beginner	Simple Data Analysis	LangChain/PydanticAI	数据集解释,自然语言查询
4	🔧 Framework	Introduction to LangGraph	LangGraph	模块化 AI 工作流,状态管理
5	🔧 Framework	Model Context Protocol (MCP)	MCP	AI-外部资源集成
6	🎓 Educational	ATLAS: Academic Task System	LangGraph	多代理学术规划,笔记记录
7	🎓 Educational	Scientific Paper Agent	LangGraph	文献综述自动化
8	🎓 Educational	Chiron - Feynman Learning	LangGraph	自适应学习,检查点系统
9	💼 Business	Customer Support Agent	LangGraph	查询分类,情感分析
10	💼 Business	Essay Grading Agent	LangGraph	自动评分,多个标准
11	💼 Business	Travel Planning Agent	LangGraph	个性化行程
12	💼 Business	GenAI Career Assistant	LangGraph	职业指导,学习路径
13	💼 Business	Project Manager Assistant	LangGraph	任务生成,风险评估
14	💼 Business	Contract Analysis Assistant	LangGraph	条款分析,合规检查
15	💼 Business	E2E Testing Agent	LangGraph	测试自动化,浏览器控制
16	🎨 Creative	GIF Animation Generator	LangGraph	文本到动画流水线
17	🎨 Creative	TTS Poem Generator	LangGraph	文本分类,语音合成
18	🎨 Creative	Music Compositor	LangGraph	AI 音乐创作
19	🎨 Creative	Content Intelligence	LangGraph	多平台内容生成
20	🎨 Creative	Business Meme Generator	LangGraph	品牌对齐的模因创作
21	🎨 Creative	Murder Mystery Game	LangGraph	程序化故事生成
22	📊 Analysis	Memory-Enhanced Conversational	LangChain	短期/长期记忆集成
23	📊 Analysis	Multi-Agent Collaboration	LangChain	历史研究,数据分析
24	📊 Analysis	Self-Improving Agent	LangChain	从交互中学习
25	📊 Analysis	Task-Oriented Agent	LangChain	文本摘要,翻译
26	📊 Analysis	Internet Search Agent	LangChain	网络研究,摘要
27	📊 Analysis	Research Team - Autogen	AutoGen	多代理研究协作
28	📊 Analysis	Sales Call Analyzer	LangGraph	音频转录,NLP 分析
29	📊 Analysis	Weather Emergency System	LangGraph	实时数据处理
30	📊 Analysis	Self-Healing Codebase	LangGraph	错误检测,自动修复
31	📊 Analysis	DataScribe	LangGraph	数据库探索,查询规划
32	📊 Analysis	Memory-Enhanced Email	LangGraph	邮件分类,响应生成
33	📰 News	News TL;DR	LangGraph	新闻摘要,API 集成
34	📰 News	AInsight	LangGraph	AI/ML 新闻聚合
35	📰 News	Journalism Assistant	LangGraph	事实核查,偏见检测
36	📰 News	Blog Writer	OpenAI Swarm	协作内容创建
37	📰 News	Podcast Generator	LangGraph	内容搜索,音频生成
38	🛍️ Shopping	ShopGenie	LangGraph	产品比较,推荐
39	🛍️ Shopping	Car Buyer Agent	LangGraph	网络爬取,决策支持
40	🎯 Task Management	Taskifier	LangGraph	工作风格分析,任务分解
41	🎯 Task Management	Grocery Management	CrewAI	库存跟踪,食谱建议
42	🔍 QA	LangGraph Inspector	LangGraph	系统测试,漏洞检测
43	🔍 QA	EU Green Deal Bot	LangGraph	监管合规,FAQ 系统
44	🔍 QA	Systematic Review	LangGraph	学术论文处理,草稿生成
45	🌟 Advanced	Controllable RAG Agent	Custom	复杂问答,确定性图

探索我们广泛的 GenAI agent 实现列表,按类别排序:

1. Simple Conversational Agent

   • LangChain
   • PydanticAI

   概述 🔎

   上下文感知对话 AI 在交互之间维护信息,实现更自然的对话。

   实现 🛠️

   集成语言模型、提示模板和历史管理器以生成上下文响应并跟踪对话会话。

2. Simple Question Answering Agent

   概述 🔎

   使用 LangChain 和 OpenAI 语言模型的问答 (QA) agent 理解用户查询并提供相关、简洁的答案。

   实现 🛠️

   结合 OpenAI 的 GPT 模型、提示模板和 LLMChain 以流式方式处理用户问题并生成 AI 驱动的响应。

3. Simple Data Analysis Agent

   • LangChain
   • PydanticAI

   概述 🔎

   AI 驱动的数据分析 agent 使用自然语言解释和回答关于数据集的问题,结合语言模型和数据操作工具以实现直观的数据探索。

   实现 🛠️

   集成语言模型、数据操作框架和 agent 框架以处理自然语言查询并对合成数据集执行数据分析,使非技术用户能够获得可访问的见解。

4. Introduction to LangGraph: Building Modular AI Workflows

   概述 🔎

   本教程介绍 LangGraph,一个用于创建模块化、基于图的 AI 工作流的强大框架。学习如何利用 LangGraph 构建更复杂和灵活的 AI agents,能够高效地处理多步骤过程。

   实现 🛠️

   使用 LangGraph 创建 StateGraph 工作流的分步指南。教程涵盖关键概念,如状态管理、节点创建和图编译。它通过构建简单的文本分析流水线来演示这些原则,作为更高级 agent 架构的基础。

   额外资源 📚

   • 博客文章

5. Model Context Protocol (MCP): Seamless Integration of AI and External Resources

   概述 🔎

   本教程介绍模型上下文协议 (MCP),这是一个用于将 AI 模型与外部数据源和工具连接的开放标准。学习 MCP 如何作为 GenAI agents 与更广泛的数字生态系统之间的通用桥梁,实现更强大和上下文感知的 AI 应用程序。

   实现 🛠️

   提供实现 MCP 服务器和客户端的实践指南,演示如何将语言模型与外部工具和数据源连接。教程涵盖服务器设置、工具定义和与 AI 客户端的集成,以及通过协议构建有用 agent 功能的实际示例。

   额外资源 📚

   • 博客文章
   • 官方 MCP 文档
   • MCP GitHub 仓库

6. ATLAS: Academic Task and Learning Agent System

   概述 🔎

   ATLAS 展示了如何构建一个智能的多代理系统,通过 AI 驱动的助手改变学术支持。该系统利用 LangGraph 的工作流框架来协调多个专业 agents,提供个性化的学术规划、笔记记录和咨询支持。

   实现 🛠️

   使用四个专业 agents (协调员、规划员、笔记员和顾问) 通过 LangGraph 的工作流框架协同工作,实现状态管理的多代理架构。系统具有用于档案分析和学术支持的复杂工作流,根据学生表现和反馈进行持续适应。

   额外资源 📚

   • YouTube 解释
   • 博客文章

7. Scientific Paper Agent - Literature Review

   概述 🔎

   一个智能研究助手,通过编排的工作流帮助用户浏览、理解和分析科学文献。该系统结合学术 API 和复杂的论文处理技术来自动化文献综述任务,使研究人员能够从学术论文中高效提取见解,同时保持研究严谨性和质量控制。

   实现 🛠️

   利用 LangGraph 创建一个五节点工作流系统,包括决策制定、规划、工具执行和质量验证节点。该系统集成 CORE API 以访问论文,使用 PDFplumber 进行文档处理,并使用高级语言模型进行分析。主要功能包括用于可靠论文下载的重试机制、通过 Pydantic 模型进行结构化数据处理,以及具有人在循环验证选项的专注于质量的改进周期。

   额外资源 📚

   • YouTube 解释
   • 博客文章

8. Chiron - A Feynman-Enhanced Learning Agent

   概述 🔎

   一个自适应学习 agent,使用结构化的检查点系统和费曼式教学指导用户完成教育内容。该系统处理学习材料(用户提供的或网络检索的),通过交互式检查点验证理解,并在需要时提供简化的解释,创建一个模仿一对一辅导的个性化学习体验。

   实现 🛠️

   使用 LangGraph 编排学习工作流,包括检查点定义、上下文构建、理解验证和费曼教学节点。该系统集成网络搜索以进行动态内容检索,采用语义分块进行上下文处理,并管理嵌入以进行相关信息检索。主要功能包括 70% 理解阈值以进行进展、交互式人在循环验证,以及通过 Pydantic 模型进行结构化输出以实现一致的数据处理。

   额外资源 📚

   • YouTube 解释

9. Customer Support Agent (LangGraph)

   概述 🔎

   使用 LangGraph 的智能客户支持 agent 对查询进行分类,分析情感,并提供适当的响应或升级问题。

   实现 🛠️

   利用 LangGraph 创建结合状态管理、查询分类、情感分析和响应生成的工作流。

10. Essay Grading Agent (LangGraph)

    概述 🔎

    使用 LangGraph 和 LLM 模型的自动作文评分系统根据相关性、语法、结构和分析深度评估作文。

    实现 🛠️

    利用状态图定义评分工作流,为每个标准结合单独的评分函数。

11. Travel Planning Agent (LangGraph)

    概述 🔎

    使用 LangGraph 的旅行规划器演示如何构建有状态的、多步骤对话 AI 应用程序,收集用户输入并生成个性化旅行行程。

    实现 🛠️

    利用 StateGraph 定义应用程序流程,结合自定义 PlannerState 进行流程管理。

12. GenAI Career Assistant Agent

    概述 🔎

    GenAI 职业助手演示如何创建多代理系统,为生成式 AI 职业提供个性化指导。使用 LangGraph 和 Gemini LLM,系统提供定制的学习路径、简历协助、面试准备和求职支持。

    实现 🛠️

    使用 LangGraph 利用多代理架构通过基于 TypedDict 的状态管理协调专业 agents (学习、简历、面试、求职)。该系统采用复杂的查询分类和路由,同时与外部工具如 DuckDuckGo 集成以进行求职和动态内容生成。

    额外资源 📚

    • YouTube 解释

13. Project Manager Assistant Agent

    概述 🔎

    一个 AI agent,旨在通过自动化从项目描述创建可操作任务、识别依赖关系、安排工作和根据专业知识将任务分配给团队成员的过程来协助项目管理任务。该系统包括风险评估和自我反思能力,通过多次迭代优化项目计划,旨在最小化整体项目风险。

    实现 🛠️

    利用 LangGraph 编排专业节点的工作流,包括任务生成、依赖映射、调度、分配和风险评估。每个节点使用 GPT-4o-mini 生成遵循 Pydantic 模型的结构化输出。该系统实现自我改进的反馈循环,其中风险分数触发反思周期,生成见解以优化项目计划。可视化工具显示跨迭代生成计划的甘特图。

    额外资源 📚

    • YouTube 解释

14. Contract Analysis Assistant (ClauseAI)

    概述 🔎

    ClauseAI 演示了如何使用多代理方法构建 AI 驱动的合同分析系统。该系统为合同审查的不同方面(从条款分析到合规检查)采用专业 AI agents,并利用 LangGraph 进行工作流编排,利用 Pinecone 进行高效的条款检索和比较。

    实现 🛠️

    使用 LangGraph 实现复杂的基于状态的工作流,以协调多个 AI agents 通过合同分析阶段。该系统具有用于数据验证的 Pydantic 模型、用于条款比较的 Pinecone 向量存储,以及用于生成综合合同报告的基于 LLM 的分析。实现包括并行处理能力和基于用户要求的可定制报告生成。

    额外资源 📚

    • YouTube 解释

15. E2E Testing Agent

    概述 🔎

    E2E 测试 Agent 演示了如何构建 AI 驱动的系统,将自然语言测试指令转换为可执行的端到端 Web 测试。使用 LangGraph 进行工作流编排,使用 Playwright 进行浏览器自动化,系统使用户能够用简单的英语指定测试用例,同时处理测试生成和执行的复杂性。

    实现 🛠️

    使用 LangGraph 实现结构化工作流,以协调测试生成、验证和执行。该系统具有 TypedDict 状态管理、与 Playwright 的浏览器自动化集成,以及基于 LLM 的代码生成,用于将自然语言指令转换为可执行测试脚本。实现包括 DOM 状态分析、错误处理和综合测试报告。

    额外资源 📚

    • YouTube 解释

16. GIF Animation Generator Agent (LangGraph)

    概述 🔎

    GIF 动画生成器集成 LangGraph 进行工作流管理,GPT-4 进行文本生成,DALL-E 进行图像创建,从用户提示生成自定义动画。

    实现 🛠️

    利用 LangGraph 编排工作流,使用 GPT-4 生成角色描述、情节和图像提示,使用 DALL-E 3 创建图像,并使用 PIL 将它们组装成 GIF。采用异步编程进行高效的并行处理。

17. TTS Poem Generator Agent (LangGraph)

    概述 🔎

    使用 LangGraph 和 OpenAI API 的高级文本转语音 (TTS) agent 对输入文本进行分类,根据内容类型进行处理,并生成相应的语音输出。

    实现 🛠️

    利用 LangGraph 编排工作流,使用 GPT 模型对输入文本进行分类,应用特定于内容的处理,并使用 OpenAI 的 TTS API 将处理后的文本转换为语音。系统根据识别的内容类型 (一般、诗歌、新闻或笑话) 调整其输出。

18. Music Compositor Agent (LangGraph)

    概述 🔎

    使用 LangGraph 和 OpenAI 语言模型的 AI 音乐作曲家根据用户输入生成自定义音乐作品。系统通过专业组件处理输入,每个组件为最终音乐作品做出贡献,然后将其转换为可播放的 MIDI 文件。

    实现 🛠️

    LangGraph 编排将用户输入转换为音乐作品的工作流,使用 ChatOpenAI (GPT-4) 生成旋律、和声和节奏,然后进行风格适应。最终的 AI 生成的作品使用 music21 转换为 MIDI 文件,并可以使用 pygame 播放。

19. Content Intelligence: Multi-Platform Content Generation Agent

    概述 🔎

    Content Intelligence 演示了如何构建高级内容生成系统,将输入文本转换为跨多个社交媒体渠道的平台优化内容。该系统采用 LangGraph 进行工作流编排,以分析内容、进行研究并生成定制内容,同时在不同的平台上保持品牌一致性。

    实现 🛠️

    使用 LangGraph 实现复杂的工作流,以协调多个专业节点 (摘要、研究、平台特定) 通过内容生成过程。该系统具有用于状态管理的 TypedDict 和 Pydantic 模型,与 Tavily Search 集成以增强研究,以及使用 GPT-4 的平台特定内容生成。实现包括多个平台的并行处理和可定制的内容模板。

    额外资源 📚

    • YouTube 解释

20. Business Meme Generator Using LangGraph and Memegen.link

    概述 🔎

    商业模因生成器演示了如何创建 AI 驱动的系统,基于公司网站分析生成上下文相关的模因。使用 LangGraph 进行工作流编排,系统结合 Groq 的 Llama 模型进行文本分析和 Memegen.link API 自动生成品牌对齐的模因用于数字营销。

    实现 🛠️

    使用 LangGraph 实现状态管理工作流,以协调网站内容分析、模因概念生成和图像创建。该系统具有用于数据验证的 Pydantic 模型、使用 aiohttp 的异步处理,以及与外部 API (Groq、Memegen.link) 的集成,以创建具有可定制模板的完整模因生成流水线。

    额外资源 📚

    • YouTube 解释

21. Murder Mystery Game with LLM Agents

    概述 🔎

    一个基于文本的侦探游戏,利用自主 LLM agents 作为程序化生成的谋杀谜案中的交互式角色。受 UNBOUNDED 论文启发,系统每次都创建独特的场景,玩家扮演夏洛克·福尔摩斯的角色,通过角色访谈和演绎推理来破案。

    实现 🛠️

    利用两个 LangGraph 工作流 — 用于故事/角色生成和游戏进展的主游戏循环,以及用于角色交互的对话子图。该系统使用 LLM 驱动的叙事生成、角色 AI 和结构化游戏机制的组合来创建沉浸式调查体验,具有可重玩的故事线。

    额外资源 📚

    • YouTube 解释

22. Memory-Enhanced Conversational Agent

    概述 🔎

    记忆增强对话 AI agent 结合短期和长期记忆系统,在对话中以及跨多个会话中维护上下文,提高交互质量和个性化。

    实现 🛠️

    集成具有单独短期和长期记忆存储的语言模型,利用包含两种记忆类型的提示模板,并使用记忆管理器进行存储和检索。系统包括为每个响应更新和利用记忆的交互循环。

23. Multi-Agent Collaboration System

    概述 🔎

    结合历史研究和数据分析的多代理协作系统,利用大型语言模型模拟专业 agents 协作回答复杂的历史问题。

    实现 🛠️

    利用基础 Agent 类创建专业 HistoryResearchAgent 和 DataAnalysisAgent,由 HistoryDataCollaborationSystem 编排。系统遵循五步流程:历史背景提供、数据需求识别、历史数据提供、数据分析和最终综合。

24. Self-Improving Agent

    概述 🔎

    使用 LangChain 的自我改进 Agent 参与对话,从交互中学习,并通过反思和适应随时间不断改进其性能。

    实现 🛠️

    集成具有聊天历史管理、响应生成和反思机制的语言模型。该系统采用包含来自反思的见解以增强未来性能的学习系统,创建持续改进循环。

25. Task-Oriented Agent

    概述 🔎

    使用 LangChain 的语言模型应用程序,总结文本并将摘要翻译成西班牙语,结合自定义函数、结构化工具和 agent 进行高效的文本处理。

    实现 🛠️

    利用用于摘要和翻译的自定义函数,包装为结构化工具。使用提示模板指导 agent,它编排工具的使用。agent 执行器管理流程,接受输入文本并生成英文摘要和西班牙语翻译。

26. Internet Search and Summarize Agent

    概述 🔎

    智能网络研究助手,结合网络搜索能力和 AI 驱动的摘要,自动化从互联网收集信息并将其提炼为简洁、相关摘要的过程。

    实现 🛠️

    集成使用 DuckDuckGo API 的网络搜索模块、结果解析器和利用 OpenAI 语言模型的文本摘要引擎。系统执行特定站点或一般搜索,提取相关内容,生成简洁摘要,并编译归属结果以进行高效的信息检索和综合。

27. Multi agent research team - Autogen

    概述 🔎

    此技术探索使用 AutoGen 库进行协作研究的多代理系统。它采用 agents 协作解决任务,专注于高效执行和质量保证。系统通过在专业 agents 之间分配任务来增强研究。

    实现 🛠️

    Agents 使用 GPT-4 模型配置特定角色,包括管理员、开发人员、规划员、执行员和质量保证。交互管理确保具有定义转换的有序通信。任务执行涉及协作规划、编码、执行和质量检查,展示了适用于各种领域的可扩展框架。

    额外资源 📚

    • 带有 UI 的综合解决方案
    • 博客文章

28. Sales Call Analyzer

    概述 🔎

    智能系统,通过结合音频转录和高级自然语言处理来自动化销售通话录音的分析。分析器使用 OpenAI 的 Whisper 转录音频,使用 NLP 技术处理文本,并生成包括情感分析、关键短语、痛点和可操作建议的综合报告,以提高销售绩效。

    实现 🛠️

    在结构化工作流中使用多个组件:OpenAI Whisper 用于音频转录,CrewAI 用于任务自动化和 agent 管理,LangChain 用于编排分析流水线。系统通过从转录到详细分析的一系列步骤处理音频,利用自定义 agents 和任务生成包含客户情感、销售机会和推荐改进见解的结构化 JSON 报告。

    额外资源 📚

    • YouTube 解释

29. Weather Emergency & Response System

    概述 🔎

    综合系统,演示用于天气应急响应的两个 agent 图实现:处理实时天气数据的实时图,以及结合真实和模拟数据以测试高严重性场景的混合图。系统处理从数据收集到应急计划生成的完整工作流,具有自动通知和人工验证步骤。

    实现 🛠️

    利用 LangGraph 编排具有状态管理的复杂工作流,集成 OpenWeatherMap API 以获取实时数据,使用 Gemini 进行分析和响应生成。系统结合电子邮件通知、社交媒体监控模拟和基于严重性的路由,为低/中等严重性事件提供可配置的人工验证。

    额外资源 📚

    • YouTube 解释

30. Self-Healing Codebase System

    概述 🔎

    智能系统,使用 LangGraph 工作流编排和 ChromaDB 向量存储自动检测、诊断和修复运行时代码错误。系统通过向量嵌入维护遇到的错误及其修复的记忆,实现代码库中类似错误的模式识别。

    实现 🛠️

    利用基于状态的图工作流,通过专业节点处理函数定义和运行时参数,用于错误检测、代码分析和修复生成。结合 ChromaDB 进行错误模式和修复的基于向量的存储,具有类似错误模式的自动搜索和检索能力,同时通过结构化验证步骤维护代码执行安全性。

    额外资源 📚

    • YouTube 解释

31. DataScribe: AI-Powered Schema Explorer

    概述 🔎

    智能代理系统,通过自然语言交互实现关系数据库的直观探索和查询。系统利用由有状态主管协调的专业 agents 舰队来处理模式发现、查询规划和数据分析任务,同时通过基于向量的关系图维护上下文理解。

    实现 🛠️

    利用 LangGraph 编排包括发现、推理和规划 agents 的多代理工作流,使用 NetworkX 进行关系图可视化管理。系统通过 TypedDict 类结合动态状态管理,使用 db_graph 属性在会话之间维护数据库上下文,并包括安全措施以防止未经授权的数据库修改。

32. Memory-Enhanced Email Agent (LangGraph & LangMem)

    概述 🔎

    智能邮件助手,结合三种类型的记忆 (语义、情景和程序) 以创建随时间改进的系统。agent 可以对传入邮件进行分类,使用存储的知识起草上下文适当的响应,并根据用户反馈增强其性能。

    实现 🛠️

    利用 LangGraph 进行工作流编排,使用 LangMem 进行跨多种记忆类型的复杂记忆管理。系统实现具有记忆增强决策的分类工作流,用于邮件撰写和日历管理的专业工具,以及基于反馈和过去性能更新自己提示的自我改进机制。

    额外资源 📚

    • **博客文章

33. News TL;DR using LangGraph

    概述 🔎

    新闻摘要系统,根据用户查询生成当前事件的简洁 TL;DR 摘要。系统利用大型语言模型进行决策制定和摘要,同时与新闻 API 集成以访问最新内容,允许用户通过生成的要点摘要快速了解感兴趣的主题。

    实现 🛠️

    利用 LangGraph 编排结合多个组件的工作流:GPT-4o-mini 用于生成搜索词和文章摘要,NewsAPI 用于检索文章元数据,BeautifulSoup 用于网络抓取文章内容,Asyncio 用于并发处理。系统遵循从查询处理到文章选择和摘要的结构化流水线,管理组件之间的流程以生成当前新闻文章的相关 TL;DR。

    额外资源 📚

    • YouTube 解释
    • 博客文章

34. AInsight: AI/ML Weekly News Reporter

    概述 🔎

    AInsight 演示了如何使用多代理架构构建智能新闻聚合和摘要系统。该系统采用三个专业 agents (NewsSearcher、Summarizer、Publisher) 通过基于 LangGraph 的工作流编排自动收集、处理和总结面向普通受众的 AI/ML 新闻。

    实现 🛠️

    使用 LangGraph 实现状态管理的多代理系统,以协调新闻收集 (Tavily API)、技术内容摘要 (GPT-4) 和报告生成过程。系统具有模块化架构,具有基于 TypedDict 的状态管理、外部 API 集成和使用可定制模板的 markdown 报告生成。

    额外资源 📚

    • YouTube 解释

35. Journalism-Focused AI Assistant

    概述 🔎

    专业 AI 助手,帮助记者应对现代新闻业挑战,如错误信息、偏见和信息过载。系统集成事实核查、语气分析、摘要和语法审查工具,以提高新闻工作的准确性和效率,同时保持道德报告标准。

    实现 🛠️

    利用 LangGraph 编排专业组件的工作流,包括用于分析和生成的语言模型,通过 DuckDuckGo API 的网络搜索集成,文档解析工具如 PyMuPDFLoader 和 WebBaseLoader,使用 RecursiveCharacterTextSplitter 的文本分割,以及结构化 JSON 输出。每个组件通过统一工作流协同工作,以分析内容、验证事实、检测偏见、提取引语并生成综合报告。

36. Blog Writer (Open AI Swarm)

    概述 🔎

    使用 OpenAI Swarm 包的协作博客文章创建多代理系统。它利用专业 agents 高效执行研究、规划、写作和编辑任务。

    实现 🛠️

    利用 OpenAI Swarm 包管理 agent 交互。包括管理员、研究员、规划员、作家和编辑,每个都有特定角色。系统遵循结构化工作流:主题设置、大纲、研究、起草和编辑。这种方法通过任务分配、专业化和协作问题解决增强内容创建。

    额外资源 📚

    • Swarm 仓库

37. Podcast Internet Search and Generate Agent 🎙️

    概述 🔎

    两步 agent,首先在互联网上搜索给定主题,然后基于找到的主题生成播客。搜索步骤使用搜索 agent 和搜索函数找到最相关的信息。第二步使用播客生成 agent 和生成函数基于找到的信息创建播客。

    实现 🛠️

    利用 LangGraph 编排两步工作流。第一步涉及搜索 agent 和函数以从互联网收集信息。第二步使用播客生成 agent 和函数基于收集的信息创建播客。

38. ShopGenie - Redefining Online Shopping Customer Experience

    概述 🔎

    AI 驱动的购物助手,即使没有领域专业知识也能帮助客户做出明智的购买决策。系统分析来自多个来源的产品信息,比较规格和评论,根据用户需求识别最佳选项,并通过电子邮件提供支持视频评论的推荐,创建全面的购物体验。

    实现 🛠️

    使用 LangGraph 编排结合 Tavily 进行网络搜索、Llama-3.1-70B 进行结构化数据分析和产品比较,以及 YouTube API 进行评论视频检索的工作流。系统通过多个节点处理搜索结果,包括模式映射、产品比较、评论识别和电子邮件生成。主要功能包括一致数据处理的结构化 Pydantic 模型、可靠 API 交互的重试机制,以及通过 SMTP 进行电子邮件交付以共享推荐。

    额外资源 📚

    • YouTube 解释

39. Car Buyer AI Agent

    概述 🔎

    智能产品购买者 AI Agent 演示了如何构建智能系统,帮助用户做出明智的购买决策。使用 LangGraph 和基于 LLM 的智能,系统处理用户需求,从 AutoTrader 等网站抓取产品列表,并为汽车购买提供详细分析和推荐。

    实现 🛠️

    使用 LangGraph 实现基于状态的工作流,以协调用户交互、网络爬取和决策支持。系统具有 TypedDict 状态管理、使用 Playwright 的异步网络爬取,以及与外部 API 集成以进行综合产品分析。实现包括用于实时聊天交互的 Gradio 接口和用于轻松扩展到其他产品类别的模块化爬取器架构。

    额外资源 📚

    • YouTube 解释

40. Taskifier - Intelligent Task Allocation & Management

    概述 🔎

    智能任务管理系统,分析用户工作风格并创建个性化任务分解策略,源于观察到拖延通常源于学生和早期职业专业人士的任务模糊性。系统评估历史工作模式,通过网络搜索收集相关任务信息,并生成定制的分步方法以优化生产力并减少工作流瘫痪。

    实现 🛠️

    利用 LangGraph 编排多步工作流,包括工作风格分析、通过 Tavily API 的信息收集和定制计划生成。系统通过流程维护状态,将历史工作模式数据与新鲜任务研究集成,以输出与用户自然工作风格一致的详细、个性化任务执行计划。

    额外资源 📚

    • YouTube 解释

41. Grocery Management Agents System

    概述 🔎

    使用 CrewAI 构建的多代理系统,自动化杂货管理任务,包括收据解释、过期日期跟踪、库存管理和食谱推荐。系统使用专业 agents 从收据中提取数据,估计产品保质期,跟踪消费,并建议食谱以最小化食物浪费。

    实现 🛠️

    使用 CrewAI 实现四个专业 agents — 从收据中提取项目详情的收据解释员、使用在线来源确定保质期的过期日期估算员、基于消费维护库存的杂货跟踪员,以及使用可用成分建议膳食的食谱推荐员。每个 agent 都有通过团队工作流编排的特定工具和任务。

    额外资源 📚

    • YouTube 解释

42. LangGraph-Based Systems Inspector

    概述 🔎

    用于基于 LangGraph 应用程序的综合测试和验证工具,通过多代理检查自动分析系统架构,生成测试用例,并识别潜在漏洞。检查器采用专业 AI 测试员评估系统的不同方面,从基本功能到安全问题和边缘情况。

    实现 🛠️

    集成 LangGraph 进行工作流编排、多个 LLM 驱动的测试 agents 和结构化评估流水线,包括静态分析、测试用例生成和结果验证。系统使用 Pydantic 进行数据验证,NetworkX 进行图表示,并实现模块化架构,允许并行测试执行和综合结果分析。

    额外资源 📚

    • YouTube 解释
    • 博客文章

43. EU Green Deal FAQ Bot

    概述 🔎

    EU Green Deal FAQ Bot 演示了如何构建基于 RAG 的 AI agent,帮助企业了解欧盟绿色协议政策。系统将复杂的监管文档处理为可管理的块,并提供关于环境合规、排放报告和废物管理要求的常见问题的即时、准确答案。

    实现 🛠️

    使用 FAISS 向量存储进行文档存储、语义分块进行预处理和多个专业 agents (检索器、摘要器、评估器) 进行查询处理,实现复杂的 RAG 流水线。系统具有查询重述以提高准确性、与黄金问答数据集交叉引用以进行答案验证,以及综合评估指标以确保响应质量和相关性。

    额外资源 📚

    • YouTube 解释

44. Systematic Review Automation System + Paper Draft Creation

    概述 🔎

    使用有向图架构和 LangChain 组件自动化学术系统综述的综合系统。系统生成完整的、可出版的系统综述论文,自动处理从文献搜索到最终草稿生成的所有内容,包括多个修订周期。

    实现 🛠️

    利用基于状态的图工作流,处理论文搜索和选择 (最多 3 篇论文)、PDF 处理,并生成具有所有标准部分 (摘要、介绍、方法、结果、结论、参考文献) 的完整学术论文。系统结合多个修订周期和自动批评与改进阶段,所有都通过 LangGraph 状态管理编排。

    额外资源 📚

    • YouTube 解释

45. Sophisticated Controllable Agent for Complex RAG Tasks 🤖

    概述 🔎

    旨在解决复杂问题的先进 RAG 解决方案,这些问题无法通过简单的基于语义相似性的检索来解决。这种方法使用复杂的确定性图作为高度可控自主 agent 的"大脑" 🧠,能够从您自己的数据中回答非平凡的问题。

    实现 🛠️

    • 实现多步骤过程,包括问题匿名化、高层规划、任务分解、自适应信息检索和问答、持续重新规划和严格的答案验证,以确保基于事实和准确的响应。

开始探索和构建 GenAI agents:

1. 克隆此仓库:

   git clone https://github.com/NirDiamant/GenAI_Agents.git
   

2. 导航到 all_agents_tutorials 目录并打开您感兴趣的 notebook 文件:

   cd all_agents_tutorials
   

   然后选择并打开您想要学习的 notebook 文件 (例如: simple_conversational_agent.ipynb)
3. 遵循每个技术 notebook 中的详细实现指南。

我们欢迎社区的贡献!如果您有新技术或改进建议:

1. Fork 仓库
2. 创建您的功能分支: git checkout -b feature/AmazingFeature
3. 提交您的更改: git commit -m 'Add some AmazingFeature'
4. 推送到分支: git push origin feature/AmazingFeature
5. 打开 pull request

本项目根据自定义非商业许可证许可 — 有关详细信息,请参阅 LICENSE 文件。

---

⭐️ 如果您发现此仓库有帮助,请考虑给它一个星标!

关键词: GenAI, Generative AI, Agents, NLP, AI, Machine Learning, Natural Language Processing, LLM, Conversational AI, Task-Oriented AI