Самокорректирующийся агент (LangGraph)

Описание

Проект демонстрирует реализацию самокорректирующегося агента на базе LangGraph.
Агент получает задачу, выполняет её через ненадёжный инструмент (unreliable_tool), затем LLM‑as‑judge проверяет результат. Если проверка не прошла и количество попыток меньше max_attempts, агент повторяет выполнение. Цикл продолжается до получения статуса success или исчерпания лимита попыток.

Состояние графа (`AgentState`)

class AgentState(TypedDict):
    task: str                 # исходная задача
    result: str               # результат выполнения инструмента
    attempts: int             # текущая попытка (начинается с 0)
    status: str               # pending | success | failed | max_attempts
    error: Optional[str]      # текст ошибки, если возникла
    max_attempts: int         # лимит попыток

Узлы графа

Узел	Роль
`execute_task`	Вызывает `unreliable_tool` (с ~30% вероятностью бросает `ValueError`).
`verify_result`	LLM‑as‑judge оценивает результат и возвращает строго `"success"` или `"failed"`.
`handle_error`	Увеличивает `attempts`, сохраняет ошибку и готовит к повторному выполнению.

Граф

START → execute_task → verify_result
                         ↓ success → END
                         ↓ failed & attempts < max → handle_error → execute_task
                         ↓ max_attempts → END

Установка зависимостей

# Рекомендуется использовать виртуальное окружение
python -m venv venv
source venv/bin/activate   # Windows: venv\Scripts\activate

# Установить необходимые пакеты
pip install langgraph langchain-openai langchain-ollama

Важно: Для работы с OpenAI необходимо задать переменную окружения OPENAI_API_KEY.
Если вы предпочитаете Ollama, установите локальную модель и используйте ChatOllama вместо ChatOpenAI (см. комментарии в коде).

Запуск

В проекте единственный исполняемый файл — main.py.

python main.py

При запуске скрипт выводит:

номер текущей попытки,
результат выполнения инструмента,
вердикт LLM‑as‑judge,
финальный статус (success, failed или max_attempts).

Пример вывода

Attempt 0: Result = 42, Judge = failed
Attempt 1: Result = 42, Judge = success
Final status: success

Если все попытки исчерпаны:

Attempt 0: Result = Error: ..., Judge = failed
Attempt 1: Result = Error: ..., Judge = failed
Attempt 2: Result = Error: ..., Judge = failed
Final status: max_attempts

Как работает пример

unreliable_tool – простая функция, которая с вероятностью ~30% бросает ValueError, иначе возвращает фиксированный результат (например, "42").
LLM‑as‑judge – запрос к модели (OpenAI GPT‑3.5‑turbo или локальная Ollama) с промптом, требующим ответить только словом success или failed в зависимости от того, совпадает ли результат с ожидаемым значением.
Граф построен через StateGraph и скомпилирован в исполняемый объект, который запускается в цикле до достижения терминального узла.

Настройка

Изменить task и ожидаемый результат в функции unreliable_tool внутри main.py.
Подстроить max_attempts в начальном состоянии (по умолчанию 3).

Переключиться между OpenAI и Ollama, заменив импорт и инициализацию LLM:

# Для OpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# Для Ollama (убедитесь, что модель запущена: ollama run <model>)
# from langchain_ollama import ChatOllama
# llm = ChatOllama(model="llama3", temperature=0)

Требования

Python 3.10+
Доступ к интернету (для OpenAI) или запущенный локальный Ollama сервер.

Это README охватывает только основной файл проекта main.py. При добавлении новых файлов достаточно дополнить разделы «Запуск» и «Пример использования» соответствующими инструкциями.

5.6 KiB Raw Permalink Blame History Unescape Escape