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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









