计划和执行 (LangGraph) 机器人

这是一个示例聊天机器人，展示了计划和执行 LangGraph 管线，该管线使用 LLM 和 Tavily 搜索来回答复杂问题。它首先计划需要解决的步骤，并使用 Tavily 通过互联网搜索执行这些步骤。然后，它使用 LLM 确定是否已找到答案，或者是否需要重新规划问题。

计划和执行机器人展示了以下 ACE Agent 功能

• 将 Langgraph 图/可运行对象与 ACE Agent 集成

• 在插件服务器中安装自定义依赖项

• 可以部署在事件架构或插件服务器架构中

先决条件

1. 在此处创建 Tavily API 密钥。我们使用 Tavily 执行互联网搜索来回答问题。

   export TAVILY_API_KEY=...
   

2. 将其添加到 deploy/docker/.env。

   TAVILY_API_KEY=${TAVILY_API_KEY}
   

基于 Docker 的机器人部署

1. 在启动机器人之前，使用您的 OpenAI API 密钥设置 OPENAI_API_KEY 环境变量。

   export OPENAI_API_KEY=...
   

2. 将 langgraph_plan_and_execute/plugin/requirements_dev.txt 中的需求复制到 deploy/docker/dockerfiles/plugin_server.Dockerfile 中。

   ##############################
   # Install custom dependencies
   ##############################
   RUN pip3 install \
       tavily-python==0.3.3 \
       langgraph==0.0.31 \
       langchain-openai==0.1.2 \
       langchain==0.1.12
   

3. 为 Docker Compose 命令准备环境。

   export BOT_PATH=./samples/langgraph_plan_and_execute/
   source deploy/docker/docker_init.sh
   

4. 部署 ACE Agent 微服务。部署聊天引擎、插件服务器和 NLP 服务器微服务。

   docker compose -f deploy/docker/docker-compose.yml up --build event-bot -d
   

5. 使用 URL http://<工作站 IP>:7006/ 与机器人交互。

注意

由于 LangGraph 示例的复杂性，此机器人具有高延迟。这可能使其不适合语音管线。可以通过降低插件目录中 LangGraph 图的复杂性来降低延迟。