Làm các graphs cấu hình được (tiếp tục)
Bây giờ hãy biên dịch và thực thi graph của chúng ta với một cấu hình tùy chỉnh (nếu bạn không cung
cấp bất cứ cái gì, LangGraph sẽ sử dụng cái mặc định):
res = graph.invoke({“job_description”:”fake_jd”}, config={“configurable”:
{“model_provider”: “OpenAI”, “model_name”: “gpt-4o”}})
print(res)
>> …Analyzing a provided job description …
…generating application with OpenAI and OpenAI …
{‘job_description’: ‘fake_jd’, ‘is_suitable’: True, ‘application’: ‘some_
fake_application’, ‘actions’: [‘action1’, ‘action2’, ‘action3’]}
Bây giờ rằng chúng ta đã thiết lập làm cách nào cấu trúc các dòng làm việc phức tạp với LangGraph, hãy
nhìn vào một thách thức phổ biến các dòng làm việc này đối mặt: đảm bảo các đầu ra LLM đi theo chính
xác cấu trúc được cần bởi các bộ phận cuối dòng. Duyệt đầu ra mạnh mẽ và xử lí lỗi thanh thoát là cơ
bản cho các dòng ống AI tin cậy.