新闻详情

新闻详情

首页 / 资讯中心 / 详情

121.Agent-LangChain核心组件-中间件-任务规划中间件(To-Do-List TodoListMiddleware)

发布时间:2026/11/16 9:18:23来源:尧图网络
121.Agent-LangChain核心组件-中间件-任务规划中间件(To-Do-List TodoListMiddleware)
摘要本文介绍 LangChain 中的 To-Do-list 任务规划中间件TodoListMiddleware讲解其作用、触发条件、与 ToolCallLimitMiddleware 的配合使用并通过 LangSmith 观察任务规划与工具调用的完整流程最后给出可运行的 Python 代码示例。内容参考于图灵AI大模型全栈To-Do-list中间件它是任务规划中间件作用就是给Agent做任务规划实例中用到了 Tavily 互联网搜索需要找到它的名字限制TavilySearch调用次数下图红框是TavilySearch工具的名字位置在 TavilySearch 类中第一个变量下图红框的代码根据工具名限制工具调用次数Agent为了让答案更完美它会重复多次调用工具这个任务规划中间件它并不是每次都会使用它需要条件按着CTRL鼠标左键单击下图红框然后往上滑滚动条可以看到下图红框的内容中文翻译这就是调用任务规划中间件的5个条件如下图红框在提示词中写了让它必须使用待办事项也就是任务规划它才会使用任务规划中间件下图红框的提示词中文翻译它就是通过这个提示词来告诉大模型有write_todos这样一个工具这个工具可以进行任务规划## write_todos 您可以使用 write_todos 工具来管理和规划复杂的目标。 使用此工具可以确保您跟踪每个必要的步骤从而更好地管理复杂的目标。 此工具对于规划复杂的目标以及将这些较大的复杂目标分解成更小的步骤非常有用。 完成一个步骤后务必立即将待办事项标记为已完成。请勿将多个步骤合并在一起后再标记为已完成。 对于只需要几个步骤的简单目标最好直接完成目标而不要使用此工具。 编写待办事项需要时间和令牌因此仅在需要管理复杂的多步骤问题时才使用它但对于简单的少步骤请求则不建议使用。 待办事项列表使用注意事项 切勿同时多次调用 write_todos 工具。 请随时修改待办事项列表。新信息可能会揭示需要完成的新任务或者无关紧要的旧任务。 完成任务 完成所有工作后请在最后一次调用 write_todos 之后的消息中写入最终答案而不是与该调用在同一轮调用中。最终消息应以用户要求的实质性内容开头——数据、计算、摘要或分析。用户想要的是结果而不是工作已完成的确认。 Write_todos它的工具代码也很简单就是让大模型对问题进行任务规划然后在工具代码中更新本次的State状态它是使用LangGraph开发的后面写的LangGraph我们也可以做到现在想做的话只能通过自定义工具来实现使用LangSmith查看任务规划中间件注意如果网络不好在LangSmith中会缺步骤效果看起来就是好像它跳过了一些下方步骤是全的可以作为参考缺了什么如果缺了就搞一下网络重新运行代码如下图红框是我们输入的问题下图红框就是任务规划中间件的工具它给我们把问题进行了规划先查询价格然后对比价格in_progress的意思是正在运行pending的意思是待办还有一个completed是完成下图红框是修改任务规划的状态调用搜索工具这里调用了两次了代码中已经做了限制只能调用两次任务规划中间件这次把规划的第二步也进行正在运行下图红框它又调用搜索工具下图蓝框工具返回 超过最大调用次数下图红框更新状态为完成completed是完成的意思然后把对比价格的任务改为正在进行然后调用计算工具下图红框计算完成下图蓝框任务规划完成下图绿框返回最终答案通过上方的LangSmith可以很清晰的看出任务规划中间件的作用和逻辑再次说一遍如果网络不好LangSmith会丢步骤可能在你LangSmith看到的没有我上方写的步骤全会发现LangSmith里的步骤缺点东西代码from langchain.agents import create_agent from langchain.tools import tool from langchain_tavily import TavilySearch from langchain_openai import ChatOpenAI from langchain.agents.middleware import TodoListMiddleware,ToolCallLimitMiddleware import numexpr from dotenv import load_dotenv import os # 加载环境变量 load_dotenv() model qwen3.7-flash api_key os.getenv(DASHSCOPE_API_KEY) api_base_url os.getenv(DASHSCOPE_BASE_URL) # 初始化qwen模型 llm ChatOpenAI( modelmodel, api_keyapi_key, base_urlapi_base_url, temperature0.1 ) # 创建工具 tool def calculator(expression: str): 一个数学计算工具 return f计算结果:{numexpr.evaluate(expression).item()} # 定义对应的工具列表 tools [calculator, TavilySearch(max_results1)] # 创建Agent agent create_agent( modelllm, toolstools, middleware[ # 设置任务规划中间件 TodoListMiddleware(), # 设置工具调用次数这里现在tavily_search工具只能调用2次 ToolCallLimitMiddleware(tool_nametavily_search,run_limit2) ], ) result agent.invoke( {messages: { role: user, content: 请帮我查询一下目前最新的小米su7的最低价格在对比尚界z7的最低价格他们的价格相差多少 请使用待办事项 } } ) print(result) print(result[todos])
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉