PydanticAI图表转换AI代理工作流程

PydanticAI 最近推出了一项改变游戏规则的功能，称为 PydanticAI Graphs，承诺将改变 AI 代理管理和执行工作流程的方式。这款新工具为开发者提供了一种方法，可以以前所未有的清晰度和效率来建模、控制和可视化复杂的 AI 交互。在本文中，我们将深入探讨 PydanticAI Graphs 这一异步图和状态机库，探索其关键功能、优势及其在 AI 开发中革命性的潜力。

关键点

• PydanticAI 引入了图形支持，用于建模 AI 代理工作流程。
• 这些图形作为异步状态机运行，使用类型提示定义。
• 该库针对中高级开发者，提供了复杂的控制选项。
• 核心组件包括 GraphRunContext、End、Nodes 和 Graph。
• 它旨在增强 AI 应用程序中的决策过程。
• 这些核心组件是 PydanticAI Graphs 的基本构建块。

了解 PydanticAI Graphs

什么是 PydanticAI Graphs？

PydanticAI Graphs 是一个专为 Python 设计的异步图和状态机库，使开发者能够使用类型提示定义节点和边。这种结构化的方法允许设计复杂的 AI 代理交互。

这个库使开发者能够以惊人的清晰度建模、执行、控制和可视化复杂的工作流程。通过使用 PydanticAI Graphs，你可以创建更健壮、易懂和可维护的 AI 应用程序，为 AI 代理设计设立新的标准。图形和有限状态机的结合为管理复杂工作流程提供了一个强大的抽象。

目标受众

PydanticAI Graphs 针对中高级开发者，而非初学者。这款工具需要对 Python 和图数据结构有扎实的理解。

鉴于其高级性质，该库利用 Python 泛型和类型提示来简化开发过程。对于熟悉图数据结构的开发者来说，PydanticAI Graphs 提供了无与伦比的强大和灵活性。

安装

开始使用 PydanticAI Graphs 非常简单。你可以使用 pip 进行安装：

pip install pydantic-graph

建议同时安装 PydanticAI，尽管这是一个可选依赖。

PydanticAI Graphs 的关键组件

PydanticAI Graphs 围绕四个核心组件构建，这些组件对于有效理解和使用该库至关重要：

• GraphRunContext： 类似于 PydanticAI 中的 RunContext，该组件管理图形及其依赖的状态。它就像接力赛中的接力棒，在节点之间传递关键信息，以确保顺利执行。

• End： 这标志着图形执行的结束，指示节点何时返回其最终值。它是比赛的终点线，标志着工作流程的完成，这对于管理具有许多操作的复杂工作流程特别有帮助。

• Nodes： 这些是图形的核心单元，通过 run 方法执行过程逻辑。

• Graph： 作为执行引擎，由节点组成。它是 orchestrate 整个工作流程的主蓝图，类似于触发任务的管道。

PydanticAI Graphs 的高级话题

图数据结构及其重要性

在计算机科学中，图是表示实体之间连接的抽象数据类型。它们由顶点（或节点）和边组成，可以是有向或无向的。

图在许多领域都有应用，从建模交通和公用事业网络到社交网络和分子结构。它们对于表示复杂的关系和系统至关重要。

状态机解释

状态机是一种计算模型，任何时刻都可以处于有限数量的状态之一。它根据输入改变状态，这些改变被称为转换。

状态机对于建模复杂系统、设计机器人控制器、分析计算机语言和开发视频游戏至关重要。它们可以被可视化为有向图，其中节点代表状态，边代表转换。

如何使用 PydanticAI Graph

编写一个简单的图

让我们设置一个包含三个节点的简单图：

• 节点 A 作为起始节点。
• 节点 B 作为决策节点。
• 节点 C 作为过程的结束。

每个节点共享一个基础类类型，这一点至关重要。首先，导入必要的组件：

from dataclasses import dataclass
from pydantic_graph import GraphRunContext, BaseNode, Graph, End
@dataclass
class NodeA(BaseNode[int]):
    track_number: int
@dataclass
class NodeB(BaseNode[int]):
    track_number: int
@dataclass
class NodeC(BaseNode[int]):
    track_number: int

编写异步 Run 方法

现在，让我们为这些节点编写异步 run 方法：

@dataclass
class NodeA(BaseNode[int]):
    track_number: int
    async def run(self, ctx: GraphRunContext) -> BaseNode:
        print(f'调用节点 A')
        return NodeB(self.track_number)
@dataclass
class NodeB(BaseNode[int]):
    track_number: int
    async def run(self, ctx: GraphRunContext) -> BaseNode | End:
        print(f'调用节点 B')
        if self.track_number == 1:
            return End(f'在节点 B 停止，值为 --> {self.track_number}')
        else:
            return NodeC(self.track_number)
@dataclass
class NodeC(BaseNode[int]):
    track_number: int
    async def run(self, ctx: GraphRunContext) -> End:
        print(f'调用节点 C')
        return End(f'在节点 C 返回的值: {self.track_number}')

节点 A 将轨道传递给节点 B，然后节点 B 决定是否停止执行或继续到节点 C。

运行

最后，初始化图形并运行它：

graph = Graph(nodes=[NodeA, NodeB, NodeC])
result, history = graph.run_sync(start_node=NodeA(track_number=1))
print('*' * 40)
print('历史记录：')
for history_part in history:
    print(history_part)
print('*' * 40)
print(f'结果: {result}')

这段代码将调用节点 A，然后在节点 B 处停止执行，轨道值为 1。

使用 PydanticAI Graphs 的优缺点

优点

• 增强的工作流程建模和可视化。
• 异步操作以实现高性能。
• 类型提示以确保代码健壮。
• 可以独立使用。

缺点

• 对初学者来说学习曲线陡峭。
• 早期测试版状态可能包含错误和不完整的文档。

常见问题

什么是 PydanticAI？

PydanticAI 是一个 AI 框架，旨在简化 AI 应用程序的开发、部署和管理。它将异步编程、数据验证和工作流程管理整合成一个连贯的系统。

使用 PydanticAI Graphs 的主要好处是什么？

PydanticAI Graphs 使开发者能够以更大的清晰度和控制力创建复杂的 AI 代理工作流程。图结构允许更容易地建模和可视化这些工作流程，增强了可维护性和性能。

PydanticAI Graphs 是否依赖其他 PydanticAI 组件？

虽然作为 PydanticAI 的一部分开发，但 PydanticAI Graphs 并不依赖其他组件，并且可以独立用于基于图的状态机应用程序。这种灵活性使其适合各种项目。

相关问题

PydanticAI 的替代品有哪些？

构建 AI 代理和工作流程的替代品包括：

• Langchain： 一个用于创建使用大型语言模型（LLM）的应用程序的框架。
• AutoGen： 由微软开发，帮助开发者通过编排多个能够对话以解决任务的代理来构建对话式 AI。
• Haystack： 来自 deepset 的开源框架，使开发者能够在大量文档集合上构建智能搜索应用程序。