Angewandte KI für die Java-Entwicklung in Unternehmen (German Edition)

Kapitel 10. LangGraph4j

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In den letzten beiden Kapiteln „ ” hast du gelernt, wie du das LangChain4j-Projekt für verschiedene Anwendungsfälle nutzen kannst – zum Beispiel beim Erstellen von Chatbots, beim Kategorisieren von Texten und beim Entwickeln von RAG-Systemen. Außerdem haben wir dir die Welt der Vektor-Embeddings gezeigt und verschiedene Anwendungsfälle wie Clustering entwickelt, alles mit den Funktionen von LangChain4j. Du hast aber auch gesehen, dass LangChain4j allein für bestimmte fortgeschrittene Szenarien nicht ausreicht.

Beim Erstellen komplexer Multiagent-Anwendungen kommen viele Teile ins Spiel, wie zum Beispiel zahlreiche Eingabeaufforderungen, Tools, Content Retriever oder RAG. Es ist ein tolles Gefühl, wenn all diese Teile zusammenarbeiten, aber dieser Ansatz bringt einige Herausforderungen mit sich, wie im vorherigen Kapitel erwähnt:

• Ausschluss unnötiger Token – wie ungenutzte Tools oder irrelevante Dokumente –, die das Modell verlangsamen, das Risiko von Halluzinationen (Modelle, die falsche Antworten liefern) erhöhen und die Kosten steigern können

• Verwalten des Status verschiedener Agenten

• Agenten koordinieren

• Durchführung komplexerer Tests

• Implementierung komplexer Verhaltensweisen zur Unterstützung der menschlichen Interaktion oder Parallelisierung von Prozessen

LangGraph4j löst diese Probleme, indem es zyklische ...