Дослідницький агент LangGraph із функціями пошуку LlamaIndex та кодуванням HITL

Перетворення академічних статей на функціональні експерименти зазвичай є повільним процесом, який включає читання, узагальнення, програмування та виправлення помилок. Система з кількома агентами може взяти на себе більшу частину цього тягаря: LangGraph для маршрутизації, LlamaIndex для спеціалізованого пошуку та інструмент програмування через командний рядок після схвалення людини.

1. Розумне отримання даних: не всі фрагменти однакові

Сліпе розділення PDF-файлів, коду на Python та CSV-файлів за однією стратегією погіршує якість пошуку. Перед індексацією в ChromaDB застосовуйте розділення з урахуванням формату — фрагменти для прози, логічні блоки для коду, фрагменти рядків для таблиць:

# 5. Setup Chunkers
pdf_chunker = SentenceSplitter(chunk_size=512, chunk_overlap=50)
python_chunker = CodeSplitter(language='python')
csv_reader = CSVReader(concat_rows=False)

# 6. Route and Chunk Data
for doc in documents:
    file_name = doc.metadata.get("file_name", "")
    if file_name.endswith(".pdf"):
        nodes = pdf_chunker.get_nodes_from_documents([doc])
    elif file_name.endswith(".py"):
        nodes = python_chunker.get_nodes_from_documents([doc])
    elif file_name.endswith(".csv"):
        # CSVs are chunked row-by-row by our custom reader
        all_nodes.append(doc)

Ембеддинги (наприклад, all-minilm від Ollama) тоді відображають структуру, а не довільні вікна символів.

2. „Мозок“ LangGraph: класифікація намірів

LangChain надає моделі, запити та інструменти; LangGraph керує потоком виконання. Спільний словник State передається через кожну вершину. Маршрутизація за ключовими словами у вільному тексті є нестабільною, тому структуровані результати за допомогою Pydantic змушують локальну модель, таку як llama3.2:3b, використовувати Literal інтент:

class IntentClassifier(BaseModel):
    message_intent: Literal['chat', 'code', 'knowledge'] = Field(
        ...,
        description="Classify the user intent. 'code' for implementation, 'knowledge' for research details, 'chat' for general tasks."
    )

Умовні краї потім надійно розподіляють завдання без необхідності обробки незрозумілого тексту.

3. Шлях знань: паралельний пошук

Складні дослідницькі запитання рідко піддаються обробці за допомогою одного пошуку на основі схожості. Розширте Шлях знань до чотирьох агентів LlamaIndex одночасно — abstract_agent, methodology_agent, limitations_agent та conclusion_agent — кожен з яких має спеціалізований запит. Об’єднайте часткові результати за допомогою функції operator.add від LangGraph, щоб автори не перекривали один одного:

class State(TypedDict):
    messages: Annotated[list, add_messages]
    message_intent: str | None
    next_node: str | None
    context: Annotated[list[str], operator.add] # Safely appends parallel findings

analyst_agent читає об’єднаний контекст та синтезує переваги, недоліки та прогалини.

4. Переход від досліджень до дій: програмування з участю людини

Шлях програмування перетворює намір на команду для CLI-інструменту програмування через підпроцес. Неконтрольований доступ до оболонки є небезпечним, тому LangGraph використовує функцію interrupt(), щоб зупинити виконання та отримати схвалення:

def accept_coding(state: State):
    user_prompt = state['messages'][-1].content
    decision = interrupt(f'About to run Claude Code with request:\n\n{user_prompt}\n\nApprove? (yes/no, or type a revised request)')

    text = str(decision).strip().lower()

    if text in ['y', 'yes', 'approve', 'ok']:
        return {'next_node': 'coding_agent'}
    if text in ['n', 'no', 'deny', 'cancel']:
        return {'messages': [{'role': 'assistant', 'content': 'Coding request denied.'}], 'next_node': 'denied'}

    # Allows the user to dynamically edit the prompt mid-flight
    return {'messages': [{'role': 'user', 'content': text}], 'next_node': 'accept_coding'}

Після схвалення виконання відбувається у ізольованому робочому просторі, а результати відправляються назад у чат.

Підсумок

Розділення процесу отримання інформації (LlamaIndex) від керування станом та маршрутизації (LangGraph) дозволяє створити модульну структуру, яка може здійснювати дослідження та дії, поки людина контролює критичні етапи схвалення.

Уроки з експлуатації

• Розділення тексту з урахуванням формату окуповує себе вже після першого разу, коли процес отримання коду більше не повертає неповні функції.

Структуровані літерали наміру краще справляються з роутерами на основі регулярних виразів, коли користувачі формулюють ту саму мету по-різному п’ятьма способами.

Паралельні спеціалізовані засоби пошуку потребують механізмів зведення даних; модель „останній, хто написав — перемагає“ є прихованою помилкою, яка спричиняє втрату даних.

Використання HITL для команд оболонки є обов’язковим поза тимчасовою сандбокс-середовищем.

Зберігайте версіонування індексів LlamaIndex разом із хешем корпусу документів, щоб методологія та обмеження залишалися сумісними після повторного завантаження даних.

Граф є кінцевим продуктом: вузли можна замінювати, але саме контракт стану та механізми схвалення роблять процес переходу від досліджень до коду достатньо безпечним для щоденної роботи.

Поетапний огляд

1. Завантажуйте документи та нотбуки за допомогою розділювача, пристосованого до конкретного формату; перебудуйте колекцію Chroma, якщо змінюються джерела.
2. Класифікуйте висловлювання користувача як належні до категорії „Знання“ чи „Кодування“ (або за більш детальними критеріями у міру зростання обсягу продукту).

Щодо знань: розподіліть завдання між чотирма спеціалізованими пошуковиками, зменшіть результати за допомогою operator.add, а потім синтезуйте інформацію за допомогою аналітика.

Щодо програмування: складіть команду CLI, отримайте схвалення перед виконанням, запустіть її лише у сандбоксі та поверніть дані stdout/stderr до стану чату.

Зберігайте контрольні точки графа на випадок, якщо тривалі сеанси досліджень потрібно буде продовжити після переходу ноутбука у режим сну.

Цього циклу достатньо, щоб замінити купу спорадичних нотатників на один стабільний інструмент для роботи агентів.