langgraph 반사로 코드 품질 향상

Langgraph Reflection Framework는 생성 AI를 사용하여 반복적 인 비판 프로세스를 통해 언어 모델 출력을 향상시키는 강력한 방법을 제공하는 에이전트 프레임 워크의 한 유형입니다. 이 기사는 해석을 사용하여 파이썬 코드를 검증하는 반사제를 구현하는 방법을 세분화하고 GPT-4O 미니를 사용하여 품질을 향상시킵니다. AI 에이전트는이 프레임 워크에서 중요한 역할을하며, 추론, 반사 및 피드백 메커니즘을 결합하여 모델 성능을 향상시켜 의사 결정 프로세스를 자동화합니다.

학습 목표

• Langgraph Reflection Framework가 어떻게 작동하는지 이해하십시오.
• 파이썬 코드의 품질을 향상시키기 위해 프레임 워크를 구현하는 방법을 알아보십시오.
• 실습 시험을 통해 프레임 워크가 얼마나 잘 작동하는지 경험하십시오.

이 기사는의 일부로 출판되었습니다 데이터 과학 블로그.

langgraph 반사 프레임 워크 아키텍처

Langgraph Reflection Framework는 간단하면서도 효과적인 에이전트 아키텍처를 따릅니다.

1. 메인 에이전트: 사용자의 요청에 따라 초기 코드를 생성합니다.
2. 대리인: 배열을 사용하여 생성 된 코드를 확인합니다.
3. 반사 과정: 오류가 감지되면 문제가 남아있을 때까지 메인 에이전트가 다시 코드를 개선하기 위해 호출됩니다.

또한 읽기 : 생성 AI 응용 프로그램을위한 에이전트 프레임 워크

langgraph 반사 프레임 워크를 구현하는 방법

여기에 있습니다 단계별 가이드 예시적인 구현 및 사용을 위해 :

1 단계 : 환경 설정

먼저 필요한 종속성을 설치하십시오.

pip install langgraph-reflection langchain pyright

2 단계 : 배열을 통한 코드 분석

발언을 사용하여 생성 된 코드를 분석하고 오류 세부 정보를 제공합니다.

배열 분석 기능

from typing import TypedDict, Annotated, Literal
import json
import os
import subprocess
import tempfile

from langchain.chat_models import init_chat_model
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph_reflection import create_reflection_graph

os.environ["OPENAI_API_KEY"] = "your_openai_api_key"

def analyze_with_pyright(code_string: str) -> dict:
    """Analyze Python code using Pyright for static type checking and errors.

    Args:
        code_string: The Python code to analyze as a string

    Returns:
        dict: The Pyright analysis results
    """
    with tempfile.NamedTemporaryFile(suffix=".py", mode="w", delete=False) as temp:
        temp.write(code_string)
        temp_path = temp.name

    try:
        result = subprocess.run(
            [
                "pyright",
                "--outputjson",
                "--level",
                "error",  # Only report errors, not warnings
                temp_path,
            ],
            capture_output=True,
            text=True,
        )

        try:
            return json.loads(result.stdout)
        except json.JSONDecodeError:
            return {
                "error": "Failed to parse Pyright output",
                "raw_output": result.stdout,
            }
    finally:
        os.unlink(temp_path)

3 단계 : 코드 생성을위한 주요 보조 모델

GPT-4O 미니 모델 설정

def call_model(state: dict) -> dict:
    """Process the user query with the GPT-4o mini model.

    Args:
        state: The current conversation state

    Returns:
        dict: Updated state with the model response
    """
    model = init_chat_model(model="gpt-4o-mini", openai_api_key = 'your_openai_api_key')
    return {"messages": model.invoke(state["messages"])}

참고 : 사용 os.environ[“OPENAI_API_KEY”] =“your_api_key”단단히, 코드에서 키를 하드 코딩하지 마십시오.

4 단계 : 코드 추출 및 검증

코드 추출 유형

# Define type classes for code extraction
class ExtractPythonCode(TypedDict):
    """Type class for extracting Python code. The python_code field is the code to be extracted."""
    python_code: str


class NoCode(TypedDict):
    """Type class for indicating no code was found."""
    no_code: bool

GPT-4O MINI의 시스템 프롬프트

# System prompt for the model
SYSTEM_PROMPT = """The below conversation is you conversing with a user to write some python code. Your final response is the last message in the list.

Sometimes you will respond with code, othertimes with a question.

If there is code - extract it into a single python script using ExtractPythonCode.

If there is no code to extract - call NoCode."""

화해 코드 유효성 검사 기능

def try_running(state: dict) -> dict | None:
    """Attempt to run and analyze the extracted Python code.

    Args:
        state: The current conversation state

    Returns:
        dict | None: Updated state with analysis results if code was found
    """
    model = init_chat_model(model="gpt-4o-mini")
    extraction = model.bind_tools([ExtractPythonCode, NoCode])
    er = extraction.invoke(
        [{"role": "system", "content": SYSTEM_PROMPT}] + state["messages"]
    )
    if len(er.tool_calls) == 0:
        return None
    tc = er.tool_calls[0]
    if tc["name"] != "ExtractPythonCode":
        return None

    result = analyze_with_pyright(tc["args"]["python_code"])
    print(result)
    explanation = result["generalDiagnostics"]

    if result["summary"]["errorCount"]:
        return {
            "messages": [
                {
                    "role": "user",
                    "content": f"I ran pyright and found this: {explanation}\n\n"
                               "Try to fix it. Make sure to regenerate the entire code snippet. "
                               "If you are not sure what is wrong, or think there is a mistake, "
                               "you can ask me a question rather than generating code",
                }
            ]
        }

5 단계 : 반사 그래프 작성

메인 및 판사 그래프 구축

def create_graphs():
    """Create and configure the assistant and judge graphs."""
    # Define the main assistant graph
    assistant_graph = (
        StateGraph(MessagesState)
        .add_node(call_model)
        .add_edge(START, "call_model")
        .add_edge("call_model", END)
        .compile()
    )

    # Define the judge graph for code analysis
    judge_graph = (
        StateGraph(MessagesState)
        .add_node(try_running)
        .add_edge(START, "try_running")
        .add_edge("try_running", END)
        .compile()
    )

    # Create the complete reflection graph
    return create_reflection_graph(assistant_graph, judge_graph).compile()

reflection_app = create_graphs()

6 단계 : 응용 프로그램 실행

예제 실행

if __name__ == "__main__":
    """Run an example query through the reflection system."""
    example_query = [
        {
            "role": "user",
            "content": "Write a LangGraph RAG app",
        }
    ]

    print("Running example with reflection using GPT-4o mini...")
    result = reflection_app.invoke({"messages": example_query})
    print("Result:", result)

출력 분석

예에서 무슨 일이 있었습니까?

우리의 langgraph 반사 시스템은 다음을 수행하도록 설계되었습니다.

1. 초기 코드 스 니펫을 사용하십시오.
2. 오류를 감지하기 위해 격언 (파이썬의 정적 유형 체크 머신)을 실행하십시오.
3. GPT-4O 미니 모델을 사용하여 오류를 분석하고 이해하며 개선 된 코드 제안을 생성하십시오.

반복 1 – 식별 오류

1. “FAISS”가져 오기를 해결할 수 없습니다.

• 설명: 이 오류는 FAISS 라이브러리가 설치되지 않았거나 Python 환경이 가져 오기를 인식하지 못하는 경우에 발생합니다.
• 해결책: 에이전트는 달리기를 권장합니다.

pip install faiss-cpu

2. “OpenAiembeddings”클래스의 속성에 “embed”에 액세스 할 수 없습니다.

• 설명: 코드는 .Embed를 참조했지만 최신 버전의 Langchain에서 포함 된 메소드는 .embed_documents () 또는 .embed_query ()입니다.
• 해결책: 에이전트는 .Embed_Query로 .Embed를 올바르게 교체했습니다.

3. 매개 변수 “docstore”, “index_to_docstore_id”에 대한 인수가 누락되었습니다.

• 설명: Faiss Vector Store에는 이제 docstore 객체와 index_to_docstore_id 매핑이 필요합니다.
• 해결책: 에이전트는 InmemoryDocstore와 사전 매핑을 만들어 두 매개 변수를 추가했습니다.

반복 2 – 진행

두 번째 반복에서 시스템은 코드를 개선했지만 여전히 식별했습니다.

1. “langchain.document”가져 오기를 해결할 수 없습니다.

• 설명: 코드는 잘못된 모듈에서 문서를 가져 오려고 시도했습니다.
• 해결책: 에이전트는 수입을 Langchain.docstore 가져 오기 문서로 업데이트했습니다.

2.“InmemoryDocstore”는 정의되지 않았습니다.

• 설명: InmemoryDocstore의 누락 된 수입이 확인되었습니다.
• 해결책: 에이전트가 올바르게 추가되었습니다.

from langchain.docstore import InMemoryDocstore

반복 3 – 최종 솔루션

최종 반복에서 반사제는 모든 문제를 다음과 같이 성공적으로 해결했습니다.

• Faiss를 올바르게 가져옵니다.
• 임베딩 함수를 위해 .embed_query로 .embed를 전환합니다.
• 문서 관리를 위해 유효한 InMemoryDocstore 추가.
• 적절한 index_to_docstore_id 매핑 생성.
• 문서를 간단한 문자열로 취급하는 대신 .page_content를 사용하여 문서 컨텐츠에 올바르게 액세스하십시오.

개선 된 코드는 오류없이 성공적으로 실행되었습니다.

이것이 중요한 이유

• 자동 오류 감지 : Langgraph Reflection Framework는 계약을 사용하여 코드 오류를 분석하고 실행 가능한 통찰력을 생성하여 디버깅 프로세스를 단순화합니다.
• 반복 개선 : 프레임 워크는 오류가 해결 될 때까지 코드를 지속적으로 개선하여 개발자가 수동으로 디버깅하고 코드를 개선 할 수있는 방법을 모방합니다.
• 적응 학습 : 시스템은 업데이트 된 라이브러리 구문 또는 버전 차이와 같은 변경된 코드 구조에 적응합니다.

결론

Langgraph Reflection Framework는 AI 비평가를 강력한 정적 분석 도구와 결합하는 힘을 보여줍니다. 이 지능형 피드백 루프는 더 빠른 코드 보정, 개선 된 코딩 관행 및 전반적인 개발 효율성을 높일 수 있습니다. 초보자 또는 숙련 된 개발자이든 Langgraph Reflection은 코드 품질을 향상시키는 강력한 도구를 제공합니다.

주요 테이크 아웃

• Langgraph Reflection Framework 내에서 Langchain, Vyright 및 GPT-4O Mini를 결합 하여이 솔루션은 코드를 자동으로 검증하는 효과적인 방법을 제공합니다.
• 이 프레임 워크는 LLM이 반복적으로 개선 된 솔루션을 생성하고 반사 및 비판주기를 통해 고품질 출력을 보장합니다.
• 이 접근법은 AI 생성 코드의 견고성을 향상시키고 실제 시나리오에서 성능을 향상시킵니다.

이 기사에 표시된 미디어는 분석 Vidhya가 소유하지 않으며 저자의 재량에 따라 사용됩니다.

자주 묻는 질문