描述
Langroid 是一个直观、轻量级且可扩展的 Python 框架，旨在简化大型语言模型 (LLM) 驱动的应用程序的开发。它基于受 Actor Framework 启发的**多代理编程范式**运行，开发人员在此范式中定义代理，为其配备 LLM、向量存储和工具等组件，然后通过消息交换来协调它们的协作式问题解决。
阅读更多
Langroid 的核心抽象是 `Agent`，它封装了 LLM 对话状态，并且可以与向量存储和工具进行增强。代理充当消息转换器，具有用于 LLM、Agent 和用户交互的默认响应方法。`Task` 类封装了一个 `Agent`，提供指令、管理迭代，并通过分层委托来协调多代理交互。这种模块化设计促进了可重用性和松耦合。
Langroid 支持广泛的 LLM，包括 OpenAI 模型以及来自数百个其他提供商（本地/开源或远程/商业）的模型，这些模型通常通过代理库和 Ollama、LiteLLM 等本地模型服务器进行访问，并且经常模仿 OpenAI API。它与 Qdrant、Chroma、LanceDB、Pinecone 和 PGVector 等各种向量存储集成，从而实现检索增强生成 (RAG)，以实现基础和来源引用。该框架还通过利用 Pydantic 来简化模式定义和错误处理，为工具/插件/函数调用提供了强大的支持。
关键功能包括多代理协作、结构化信息提取、带来源引用的文档聊天 (RAG) 以及与表格数据的聊天。Langroid 注重开发者体验，提供 LLM 响应缓存、可观察性、日志记录和消息 lineage 跟踪等功能。它正在积极开发中，更新频繁，社区不断壮大，使其成为构建复杂 LLM 应用程序的强大选择。
- 类别AI 智能体构建工具
- 定价模式开源
- 部署云端, 自托管
- 平台网页版
Langroid的核心功能
用于 LLM 应用程序的多代理编程范式
用于协调 LLM 交互的 Agent 和 Task 抽象
支持广泛的 LLM，包括本地和专有模型
与多个向量存储集成以实现 RAG 功能
使用 Pydantic 支持工具/插件/函数调用
带来源引用的文档聊天 (RAG)
使用 Pandas 代码生成与表格数据聊天
LLM 响应缓存
可观察性、日志记录和消息 lineage 跟踪
可扩展且轻量级的 Python 框架
Langroid入门
克隆仓库：从 GitHub 获取 Langroid 代码库。
安装依赖项：设置虚拟环境并安装带有必要附加组件的 Langroid。
配置环境变量：设置 API 密钥和其他必需的凭据。
开发代理：使用 LLM、向量存储和工具定义代理。
协调任务：使用 Task 类管理代理交互和工作流。
执行应用程序：运行您的 LLM 驱动的应用程序。
Langroid的使用案例
- 多代理协作
- 信息提取
- 文档问答
- 数据分析
- 代码生成
- RAG 系统
