当前位置：首页 > news >正文

bisheng 智能体

news 2025/9/17 11:57:50

在这里插入图片描述

我来帮您深入了解这个智能体系统中节点的实现原理和自定义方法。让我先探索一下代码结构来回答您的问题。

[3 tools called]

现在让我深入查看具体的节点实现和自定义组件：

[4 tools called]

现在让我查看一些具体的链和代理实现：

[3 tools called]

现在让我查看一些具体的链实现：

[4 tools called]

现在让我查看一些具体的链实现：

[2 tools called]

现在让我查看默认节点配置：

[1 tool called]

基于我对代码的深入分析，现在我可以全面回答您关于智能体节点的问题：

智能体节点的实现原理和自定义方法

1. 节点实现原理

智能体系统中的每个节点都是基于 LangChain 的链（Chain）概念 构建的，但进行了可视化封装：

核心架构

基础节点类: BaseNode (抽象基类)
节点类型: 通过 NodeType 枚举定义（START, END, INPUT, AGENT, CODE, CONDITION, LLM, OUTPUT, RAG, TOOL等）
节点工厂: NodeFactory 负责创建具体节点实例
节点数据: BaseNodeData 存储节点配置和参数

节点生命周期

# 节点执行流程
1. 初始化 (__init__) - 解析参数和配置
2. 参数处理 (init_data) - 处理节点参数
3. 执行核心逻辑 (_run) - 抽象方法，子类实现
4. 日志解析 (parse_log) - 生成执行日志
5. 变量管理 - 通过 GraphState 管理全局变量

2. 自定义智能体节点

是的，您可以实现自定义智能体节点！ 有两种方式：

方式一：继承 BaseNode 创建工作流节点

from bisheng.workflow.nodes.base import BaseNodeclass CustomWorkflowNode(BaseNode):def _run(self, unique_id: str) -> Dict[str, Any]:# 实现您的自定义逻辑result = self.process_data()return {"output": result}def process_data(self):# 您的业务逻辑pass

方式二：创建自定义组件（推荐）

from bisheng.interface.custom.custom_component.custom_component import CustomComponentclass CustomComponent(CustomComponent):display_name: str = "我的自定义节点"description: str = "自定义节点描述"code: str = """
def build(input_data: str) -> str:# 您的自定义逻辑return processed_data"""field_config: dict = {"input_data": {"type": "str","required": True,"show": True}}

3. 设置多个变量

在节点上设置多个变量通过 NodeParams 和 NodeGroupParams 实现：

# 节点参数定义
class NodeParams(BaseModel):key: str = Field(description="变量的key")label: str = Field(description="变量描述文本") value: Any = Field(description="变量的值")type: str = Field(description="变量类型")required: bool = Field(False, description="是否必填")options: Any = Field(None, description="变量的选项")# 在节点中使用
def init_data(self):for group in self.node_data.group_params:for param in group.params:self.node_params[param.key] = param.value

4. 输入输出设置

输入设置

节点参数: 通过 node_params 存储
其他节点变量: 通过 get_other_node_variable() 获取
模板变量: 使用 PromptTemplateParser 解析和替换

输出设置

返回值: _run() 方法返回的字典
全局变量: 通过 GraphState 管理
变量引用: 使用 {node_id.variable_name} 格式

5. 与 LangChain 的关系

是的，这确实是 LangChain 链的可视化封装！

对应关系

基础节点 ↔ LangChain Chains
工具节点 ↔ LangChain Tools
代理节点 ↔ LangChain Agents
LLM节点 ↔ LangChain LLMs

具体映射

# 链节点示例
class StuffDocumentsChain(StuffDocumentsChainOld):  # 继承LangChain链token_max: int = -1def combine_docs(self, docs, **kwargs):# 自定义逻辑return self.llm_chain.predict(**inputs)# 代理节点示例  
class AgentInitializer(FrontendNode):base_classes = ['AgentExecutor', 'function', 'Chain']# 对应 LangChain 的 AgentExecutor

6. 基础节点和工具节点来源

基础节点来源

工作流节点: src/backend/bisheng/workflow/nodes/
LangChain 链: src/bisheng-langchain/bisheng_langchain/chains/
前端节点模板: src/backend/bisheng/template/frontend_node/

工具节点来源

LangChain 工具: 通过 ToolCreator 自动生成
自定义工具: src/backend/bisheng/custom/customs.py
预设工具: 数据库中的 GptsToolsDao

节点注册

# 节点类型映射
NODE_CLASS_MAP = {NodeType.START.value: StartNode,NodeType.END.value: EndNode,NodeType.INPUT.value: InputNode,NodeType.OUTPUT.value: OutputNode,NodeType.TOOL.value: ToolNode,NodeType.RAG.value: RagNode,# ... 更多节点类型
}