>#LangChain 代理 Agent(学习笔记) [TOC] ## 简介 tn2>`Agent` 也就是代理，它的核心思想是利用一个语言模型来选择一系列要执行的动作。 `LangChain` 的链将一系列的动作硬编码在代码中。 而在 `Agent` 中，语言模型被用作推理引擎，来确定应该执行哪些动作以及以何种顺序执行。 这就涉及到几个关键组件： - `Agent` 代理 - `Tool` 工具 - `Toolkit` 工具包 - `AgentExecutor` 代理执行器 tn2>接下来我们做逐一介绍。 ## Agent tn2>`Agent` 由一个语言模型和一个提示词驱动，决定下一步要采取什么措施的类。 提示词可以包括以下内容： - 代理的个性（用于使其以特定方式回应） - 代理的背景（用于为其提供更多关于所要执行任务类型的上下文信息） - 引导策略（用于激发更好的推理能力） tn2>`LangChain` 提供了不同类型的代理： ### Zero-shot ReAct tn2>利用 ReAct 框架根据工具的描述来决定使用哪个工具，可以使用多个工具，但需要为每个工具提供描述信息。 工具的选择单纯依靠工具的描述信息。 关于 ReAct 框架的更多信息，请参考 [ReAct](https://arxiv.org/pdf/2205.00445.pdf)。 ### Structured Input ReAct tn2>相较于单一字符串作为输入的代理，该类型的代理可以通过工具的参数schema创建结构化的动作输入。 ### OpenAI Functions tn2>该类型的代理用来与OpenAI Function Call机制配合工作。 ### Conversational tn2>这类代理专为对话场景设计，使用具有对话性的提示词，利用 ReAct 框架选择工具，并利用记忆功能来保存对话历史。 ### Self ask with search tn2>这类代理利用工具查找问题的事实性答案。 ### ReAct document store tn2>利用 ReAct 框架与文档存储进行交互，使用时需要提供 `Search` 工具和 `Lookup` 工具，分别用于搜索文档和在最近找到的文档中查找术语。 ### Plan-and-execute agents tn2>代理规划要做的事情，然后执行子任务来达到目标。 tn>这里我们多次提到 “工具”，也就是 `Tool`，接下来我们就介绍什么是 `Tool`。 ## Tool tn2>`Tool` 工具，是代理调用的功能，通常用来与外部世界交互，比如维基百科搜索，资料库访问等。 `LangChain` 内置的工具列表，请参考 [Tools](https://python.langchain.com/docs/integrations/tools/)。 ## Toolkit tn2>通常，在达成特定目标时，需要使用一组工具。 `LangChain` 提供了 `Toolkit` 工具包的概念，将多个工具组合在一起。 ## AgentExecutor tn2>代理执行器是代理的运行时。 程序运行中，由它来调用代理并执行其选择的动作。 ## 组件实例 ### Tool tn2>`LangChain` 提供了一系列工具，比如 `Search` 工具，`AWS` 工具，`Wikipedia` 工具等。 这些工具都是 `BaseTool` 的子类。 通过调用 `run` 函数，执行工具的功能。 我们以 `LangChain` 内置的工具 `DuckDuckGoSearchRun` 为例，来看看如何使用工具。 tn>注：要使用DuckDuckGoSearchRun工具，需要安装以下python包: ```shell pip install duckduckgo-search ```  #### 1. 通过工具类创建工具实例 tn2>该类提供了通过 [`DuckDuckGo`](https://duckduckgo.com/) 搜索引擎搜索的功能。 ```python from langchain.tools import DuckDuckGoSearchRun search = DuckDuckGoSearchRun() search.run("Who is winner of FIFA worldcup 2018?") ``` tn2>你应该期望如下输出：  tn>注：限于篇幅，这里对模型的回答文本在本讲中做了截取。 #### 2. 通过辅助函数 `load_tools` 加载 tn2>`LangChain` 提供了函数 `load_tools` 基于工具名称加载工具。 先来看看DuckDuckGoSearchRun类的定义： ```python class DuckDuckGoSearchRun(BaseTool): """Tool that adds the capability to query the DuckDuckGo search API.""" name = "duckduckgo_search" description = ( "A wrapper around DuckDuckGo Search. " "Useful for when you need to answer questions about current events. " "Input should be a search query." ) ``` tn2>`name` 变量定义了工具的名称。 这正是我们使用 `load_tools` 函数加载工具时所需要的。 当然，目前比较棘手的是，`load_tools` 的实现对工具名称做了映射，因此并不是所有工具都如实使用工具类中定义的 `name`。 比如，`DuckDuckGoSearchRun` 的名称是 `duckduckgo_search`，但是 `load_tools` 函数需要使用 `ddg-search` 来加载该工具。 tn>请参考源代码 [load_tools.py](https://github.com/langchain-ai/langchain/blob/v0.0.235/langchain/agents/load_tools.py#L314) 了解工具数据初始化的详情。 tn2>用法 ```python from langchain.agents import load_tools tools = load_tools(['ddg-search']) search = tools[0] search.run("Who is winner of FIFA worldcup 2018?") ``` tn2>你应该期望与方法1类似的输出。  tn2>最后，分享一个辅助函数 `get_all_tool_names`，用于获取所有工具的名称。 ```python from langchain.agents import get_all_tool_names get_all_tool_names() ``` tn2>当前 `LangChain` 版本 `0.0.235` 中，我们应该能看到如下列表：  ### Agent tn2>`Agent` 通常需要 `Tool` 配合工作，因此我们将 `Agent` 实例放在 `Tool` 之后。 我们以 Zero-shot ReAct 类型的 `Agent` 为例，来看看如何使用。代码如下： ```python from langchain.agents import load_tools from langchain.agents import initialize_agent from langchain.agents import AgentType from langchain.llms import OpenAI import os os.environ['OPENAI_API_KEY'] = "您的有效openai api key" llm = OpenAI(temperature=0) tools = load_tools(["ddg-search", "llm-math"], llm=llm) agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True) agent.run("What is the height difference between Eiffel Tower and Taiwan 101 Tower?") ``` tn2>代码解释： 1. 设置环境变量 `OPENAI_API_KEY` 并实例化 `OpenAI` 语言模型，用于后续的推理。 2. 通过load_tools加载 `DuckDuckGo` 搜索工具和 `llm-math` 工具。 3. 通过 `initialize_agent` 函数初始化代理执行器，指定代理类型为 `ZERO_SHOT_REACT_DESCRIPTION`，并打开 `verbose` 模式，用于输出调试信息。 4. 通过 `run` 函数运行代理。 tn>参考 `initialize_agent` 的实现，我们会看到它返回的是 `AgentExecutor` 类型的实例。 这也是代理执行器的常见用法。 请前往源代码 [initialize.py](https://github.com/langchain-ai/langchain/blob/v0.0.235/langchain/agents/initialize.py#L12) 了解更多初始化代理执行器的详情。 ```python def initialize_agent( tools: Sequence[BaseTool], llm: BaseLanguageModel, agent: Optional[AgentType] = None, callback_manager: Optional[BaseCallbackManager] = None, agent_path: Optional[str] = None, agent_kwargs: Optional[dict] = None, *, tags: Optional[Sequence[str]] = None, **kwargs: Any, ) -> AgentExecutor: """Load an agent executor given tools and LLM. ``` tn2>你应该期望如下输出：  ## 总结 tn2>本节课程中，我们学习了什么是 `Agent` 代理，`Tool` 工具，以及 `AgentExecutor` 代理执行器，并学习了它们的基本用法。下一讲我们将学习 `Callback` 回调。 本节课程的完整示例代码，请参考 [08_Agents.ipynb](https://github.com/WTFAcademy/WTF-Langchain/blob/main/08_Agents/README.md)。 ### 相关文档资料链接： tn2>[Python Langchain官方文档](https://python.langchain.com/docs/get_started/introduction.html) [五里墩茶社](https://space.bilibili.com/615957867?spm_id_from=333.337.0.0)