LangGraph Agents with Amazon Bedrock 使用指南

1. 项目介绍

本项目是基于 AWS 的一个开源工作坊，旨在通过 LangGraph 框架和 Amazon Bedrock 的结合，探索最新的 AI 代理和代理工作流程。LangGraph 是一个用于实现具有循环图的代理的工具，它可以帮助创建更加结构化和可控的代理。通过本项目的教程，您将学习如何使用 Python 和大型语言模型（LLM）构建基础的 ReAct 代理，以及如何利用 LangGraph 的特性来增强代理的能力。

2. 项目快速启动

环境准备

• 确保您的系统安装了 Python 3.10 或更高版本。

• 使用 Git 克隆项目仓库：

  git clone https://github.com/aws-samples/langgraph-agents-with-amazon-bedrock.git
  

• 安装操作系统依赖（以 Ubuntu/Debian 为例）：

  sudo apt update
  sudo apt-get install graphviz graphviz-dev python3-dev
  pip install pipx
  pipx install poetry
  pipx ensurepath
  source ~/.bashrc
  

• 创建虚拟环境并安装 Python 依赖：

  cd langgraph-agents-with-amazon-bedrock
  export POETRY_VIRTUALENVS_PATH="$PWD/.venv"
  export INITIAL_WORKING_DIRECTORY=$(pwd)
  poetry shell
  cd $INITIAL_WORKING_DIRECTORY
  poetry install
  

• 将新创建的 Python 环境添加到 Jupyter Notebook 服务器可用的内核列表中：

  poetry run python -m ipykernel install --user --name agents-dev-env
  

• 创建并设置您的 Tavily API 密钥。前往 Tavily 创建一个免费的 API 密钥。

• 设置本地环境变量。创建一个 .env 文件，并将 Tavily API 密钥复制到该文件中。您也可以选择将密钥存储在 AWS Secrets Manager 中。

运行示例

克隆仓库并设置环境后，您可以开始运行示例代码。在项目的根目录中，您会找到多个 Jupyter Notebook 文件（以 Lab_1, Lab_2 等命名），这些文件包含了不同的实验和示例。

打开一个 Notebook 文件，选择 agents-dev-env 内核，然后运行代码块以查看结果。

3. 应用案例和最佳实践

案例一：构建基础 ReAct 代理

通过 Lab 1 的 Notebook，您将学习如何从零开始构建一个基础的 ReAct 代理。这个代理将使用 Python 和 LLM 来实施一个推理和行动的循环，以完成任务。

最佳实践：利用 LangGraph 进行复杂行为建模

LangGraph 允许开发者通过创建节点和边来构建复杂的代理行为。在 Lab 2 到 Lab 6 的 Notebook 中，您将学习如何使用 LangGraph 的组件来创建更加结构化的代理。

4. 典型生态项目

本项目是基于 AWS 的开源项目，它利用了 Amazon Bedrock 提供的基础设施和工具。典型的生态项目包括但不限于：

• 使用 AWS SageMaker 进行模型训练和部署。
• 集成 AWS Secrets Manager 以安全地管理 API 密钥和其他敏感信息。
• 利用 AWS 的高级安全功能来保护代码和资源。

通过本项目的实践，您可以深入了解如何在实际应用中集成和使用这些 AWS 服务。