langgraph-supervisorでマルチエージェントシステムを構築した

os.environ["AZURE_OPENAI_API_KEY"] = "YOUR API KEY"
os.environ["AZURE_OPENAI_ENDPOINT"] = "YOUR ENDPOINT"
os.environ["AZURE_OPENAI_API_VERSION"] = "YOUR API VERSION"
os.environ["AZURE_OPENAI_DEPLOYMENT"] = "YOUR DEPLOYMENT NAME"

pip install langgraph
pip install langchain
pip install langchain_openai

pip install langgraph-supervisor

from langchain_openai import AzureChatOpenAI
import pandas as pd

# LLMの初期化
llm = AzureChatOpenAI(
    azure_deployment=os.getenv("AZURE_OPENAI_DEPLOYMENT"),
    api_version=os.getenv("AZURE_OPENAI_API_VERSION"),
)

car_information_path = "/xxx/xxx/車両情報.csv"

# ツール関数の定義例

# CSVファイルから車両情報を読み込み、候補を生成する例
def get_car_features():
    """The python code to get car information."""
    path = car_information_path  # CSVファイルのパスを指定
    df = pd.read_csv(car_information_path)
    car_features = df[["車種名", "ボディタイプ", "説明"]].drop_duplicates()
    return car_features.to_dict(orient="records")

# 選択された車種に対してエンジンタイプを抽出する例
def get_engine_type(selected_car):
    """The python code to get engine type and engine information."""
    path = car_information_path
    df = pd.read_csv(car_information_path)
    engine_types = list(df[df["車種名"] == selected_car]["エンジンタイプ"].unique())
    return engine_types, "エンジンに関する補足情報"

from langgraph.prebuilt import create_react_agent

# 車種推薦エージェント
car_agent = create_react_agent(
    model=llm,
    tools=[get_car_features],
    name="car_agent",
    prompt="""
    # 指示書
    提案パターンに基づいて、推薦する車種を選び、200文字程度の根拠を説明してください。
    """
)

# エンジンタイプ選択エージェント
engine_agent = create_react_agent(
    model=llm,
    tools=[get_engine_type],
    name="engine_agent",
    prompt="""
    # 指示書
    推薦車種に最適なエンジンタイプを選び、200文字程度の根拠を説明してください。
    """
)

from langgraph_supervisor import create_supervisor

# プロンプトの各モジュールの内容を作成
role = "車のセールスマン"
task = "顧客情報をもとに、最適な車とエンジンタイプを提案してください。"
guideline = """
    - 出力は必ず上記JSON形式で行ってください。
    - 各根拠は200文字程度の豊かな文章で記述してください。"
    """
output_format = """
    {
        "提案内容": {
            "提案する車種",
            "車種の根拠",
            "選択したエンジンタイプ",
            "エンジン選定理由"
        }
    }
    """

# プロンプトを作成
system_prompt = f"""
    ## ロール
    あなたは優れた{role}です。

    ## タスク 
    {task}

    ## ガイドライン
    {guideline}
    
    ## 最終生成物のフォーマット
    {output_format}
    """

# Supervisorの作成
workflow = create_supervisor(
    # 先ほど作成したエージェントと紐づく
    [car_agent, engine_agent],
    model=llm,
    prompt=system_prompt
)

# グラフのコンパイル
app = workflow.compile()

from langchain.schema import HumanMessage
import time

# 顧客情報の例（必要に応じて詳細情報を追加）
customer_info = "顧客情報: 年齢35歳、燃費重視、現在乗車中の車はコンパクトカー"

# 実行例
start_time = time.time()
result = app.invoke({
    "messages": [
        {"role": "user", "content": customer_info}
    ]
})
end_time = time.time()

# 最終出力の表示
print("最終提案:")
print(result["messages"][-1].content)
print("実行時間: {:.3f}秒".format(end_time - start_time))

最終提案:
{
    "提案内容": {
        "提案する車種": "ハイブリッド技術を採用した最新コンパクトカー",
        "車種の根拠": "顧客は現在コンパクトカーに乗車中であり、燃費性能の良さを重視しています。ハイブリッド技術を採用した車は、燃料使用の効率が高く、経済的負担や環境への配慮が優れています。また、ハイブリッドシステムは短距離や都市部での走行にも最適です。そのため、最新のハイブリッドコンパクトカーが最適な選択肢となります。",
        "選択したエンジンタイプ": "ハイブリッドエンジン",
        "エンジン選定理由": "ハイブリッドエンジンは燃費性能が非常に優れており、顧客のニーズである燃料効率を最優先に考慮しています。さらに、コンパクトカーとの相性も良く、都市部での利用や日常の移動において高いパフォーマンスを発揮します。このエンジンの選択は、快適性、経済性、環境性能を全て満たします。"
    }
}
実行時間: 21.938秒