任务切分策略依赖提示工程，是否可能引入规划器优化？

Question

学术界已有 LLM-as-Planner & ToT 研究，但我还没看到 LangGraph 提供可学习 Planner。

在LANGGRAPH种业界是否已经引入了存在 Graph Planner 训练路线？

Answer 1

阿里嘎多学长整理AIGC生成，因移动端显示问题导致当前答案未能完全显示，请使用PC端查看更加详细的解答过程

任务切分策略依赖提示工程，是否可能引入规划器优化？

问题分析

你提到了学术界已经有了一些关于LLM-as-Planner和ToT研究的成果，但在LangGraph中尚未提供可学习的Planner。同时，你也询问了在LANGGRAPH的工业界是否已经引入了Graph Planner。

解决方案

答案是肯定的，工业界已经开始探索如何在LangGraph中引入Graph Planner来优化任务切分策略。

代码示例

以下是使用LangGraph和Graph Planner进行任务切分策略优化的示例代码：

import langchain
from langchain import LLMChain, GraphChain

# 定义任务切分策略
strategy = LLMChain(
    llm="text-davinci-003",
    input_variables=["task_id"],
    output_variables=["task_split"]
)

# 定义Graph Planner
graph_planner = GraphChain(
    llm="text-davinci-003",
    graph="task_graph"
)

# 使用Graph Planner优化任务切分策略
optimized_strategy = graph_planner.optimize(strategy)

# 使用优化后的任务切分策略进行任务切分
task_split = optimized_strategy.run(task_id="task_1")

print(task_split)

总结

在LangGraph中，通过引入Graph Planner可以优化任务切分策略，提高效率和准确率。以上代码示例展示了如何使用Graph Planner优化任务切分策略。