Repolode
Предложить
langchain-ai

langchain-ai/data-enrichment

Шаблон для LangGraph Studio: LLM-агент исследует темы в интернете и заполняет пользовательскую JSON-схему.

Открыть на GitHub
Звёзды
258
Форки
61
Открытые issues
15
Последний коммит
20 часов назад

Что это?

Шаблон предоставляет готового к запуску агента LangGraph для обогащения данных: агент получает тему для исследования и JSON-схему, ищет информацию в интернете, изучает релевантные страницы, извлекает сведения и оформляет их в заданной структуре. Он пригодится, когда результат нужно внести в таблицу базы данных или электронную таблицу, а исходные сведения требуется собрать в ходе открытого веб-исследования.

Граф агента описан в src/enrichment_agent/graph.py и запускается в LangGraph Studio. Там можно указать тему и extraction_schema, настроить модель и промпт через конфигурацию, а также повторно запустить граф с предыдущих состояний. Для поиска в интернете используется Tavily. По умолчанию выбрана модель Anthropic Claude 3.5 Sonnet; модели OpenAI для чата можно выбрать, указав провайдера и название модели.

Код легко расширять: новые инструменты добавляются в tools.py как обычные функции Python, а в граф можно включить дополнительные шаги. В репозитории также есть ноутбук с примером вызова графа через LangGraph API.

Ключевые возможности

  • 01Преобразует тему исследования и JSON-схему в структурированные данные, соответствующие схеме.
  • 02Ищет информацию в интернете с помощью Tavily и извлекает сведения с найденных страниц.
  • 03Работает в LangGraph Studio с горячей перезагрузкой и возможностью повторного запуска с предыдущих состояний.
  • 04Позволяет выбрать модель для чата и настроить промпт через конфигурацию.
  • 05Поддерживает добавление собственных инструментов в виде обычных функций Python и дополнительных шагов графа.

Сценарии использования

  • Составление списков компаний или поставщиков с атрибутами для базы данных продаж или маркетинговых исследований.
  • Заполнение строк электронной таблицы фактами из общедоступных источников в интернете.
  • Создание прототипа исследовательского агента, который возвращает данные в заданном формате JSON.

Быстрый старт

  1. 1

    Создайте файл .env на основе примера

    cp .env.example .env
  2. 2

    Добавьте в файл .env ключ API Tavily и ключ провайдера модели (Anthropic или OpenAI)

  3. 3

    Откройте папку в LangGraph Studio и укажите topic и extraction_schema

Что важно знать

  • Требуется платный ключ API Tavily или ключ, для получения которого нужна учетная запись, а также ключ API провайдера модели (Anthropic или OpenAI).
  • Для настройки нужен LangGraph Studio; его необходимо установить отдельно.

Темы

#langgraph#llm-agent#web-research#data-extraction#structured-output#json-schema#tavily#langgraph-python#langgraph-template

Частые вопросы

Что такое data-enrichment?
Шаблон для LangGraph Studio: LLM-агент исследует темы в интернете и заполняет пользовательскую JSON-схему. Шаблон предоставляет готового к запуску агента LangGraph для обогащения данных: агент получает тему для исследования и JSON-схему, ищет информацию в интернете, изучает релевантные страницы, извлекает сведения и оформляет их в заданной структуре. Он пригодится, когда результат нужно внести в таблицу базы данных или электронную таблицу, а исходные сведения требуется собрать в ходе открытого веб-исследования.
data-enrichment можно использовать бесплатно? Какая у него лицензия?
data-enrichment распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
data-enrichment всё ещё поддерживается?
Активно поддерживается. Последний коммит в data-enrichment — 5 нояб. 2026 г..
Для чего можно использовать data-enrichment?
Составление списков компаний или поставщиков с атрибутами для базы данных продаж или маркетинговых исследований. Заполнение строк электронной таблицы фактами из общедоступных источников в интернете. Создание прототипа исследовательского агента, который возвращает данные в заданном формате JSON.
Как установить data-enrichment?
Создайте файл .env на основе примера: cp .env.example .env Добавьте в файл .env ключ API Tavily и ключ провайдера модели (Anthropic или OpenAI) Откройте папку в LangGraph Studio и укажите topic и extraction_schema
Где скачать data-enrichment?
Исходный код и инструкции по установке — на GitHub: https://github.com/langchain-ai/data-enrichment

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты

Mirascope / mirascope

Инструментарий для Python и TypeScript, который позволяет вызывать любые передовые LLM через единый интерфейс и использовать декораторы для промптов, структурированного вывода и инструментов.

ИИ и машинное обучение#llm#python#typescript
1,5 тыс.152PythonMITАктивно поддерживаетсяОбновлён 21 час назад

weike-zhang / architecture-canvas

Локальное веб-пространство: загружайте документы, обсуждайте их с ИИ и создавайте или дорабатывайте редактируемые архитектурные диаграммы на холсте Excalidraw.

ИИ и машинное обучение#architecture-diagram#excalidraw#ai-agent
163+3 за неделю12PythonApache-2.0Обновлён в прошлом месяце