LLM之LangChain（二）| LangChain中的Agent

news2024/10/5 16:27:00

在本文中，我们将讨论LangChain中的Agent及其各种类型。但在深入研究Agent之前，让我们先了解一下什么是LangChain和Agent。

一、什么是LangChain？

LangChain是一种功能强大的自动化工具，可用于各种任务，它提供了可用于创建agent的各种工具。

Agents：agent是一种旨在与现实世界交互的软件程序。LangChain提供不同类型的代理商。

Tools：LangChain提供有助于开发agent的工具。

要了解更多关于LangChain的信息，可以参考：https://www.c-sharpcorner.com/article/getting-started-with-langchain/

二、什么是Agent？

LangChain中的Agent是为了与现实世界互动而构建的，它们可以自动执行任务并参与现实世界的场景。LangChain代理可用于各种任务，如回答问题、生成文本、翻译语言、总结文本等。

三、LangChain中的代理类型

LangChain中的Agent使用LLM（语言学习模型）来确定要采取的操作以及顺序。

3.1 Zero-shot ReAct

Zero-shot ReAct Agent是一种语言生成模型，即使不经过特定数据的训练，也可以创建真实的上下文。它可以用于各种任务，如生成创造性的文本格式、语言翻译和生成不同类型的创造性内容。

from langchain.agents import initialize_agent, load_tools, AgentTypefrom langchain.llms import OpenAIllm = OpenAI(openai_api_key="your_api_key")tools = load_tools(["wikipedia", "llm-math"], llm=llm)agent = initialize_agent(tools , llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)output_1=agent.run("4 + 5 is ")output_2=agent.run("when you add 4  and 5 the result comes 10.")print(output_1)print(output_2)

在上面的代码中，导入了LangChain库，并通过设置OpenAI API Key来初始化OpenAI语言模型（LLM）。该代码使用维基百科和数学信息工具设置AI代理，将代理类型指定为ZERO_SHOT_REACT_DESCRIPTION代理。然后，代码提供两个提示来演示与代理的一次性交互。

3.2 Conversational ReAct

此代理是为在会话设置中使用而设计的，它结合了React框架来确定使用哪个工具，并利用内存来记住以前的对话交互。

from langchain.agents import initialize_agent, load_toolsfrom langchain.llms import OpenAIfrom langchain.memory import ConversationBufferMemoryllm = OpenAI(openai_api_key="...")tools = load_tools(["llm-math"],  llm=llm)memory = ConversationBufferMemory(memory_key="chat_history")conversational_agent = initialize_agent(    agent="conversational-react-description",     tools=tools,     llm=llm,    verbose=True,    max_iterations=3,    memory=memory,)output_1=conversational_agent.run("when you add 4  and 5 the result comes 10.")output_2=conversational_agent.run("4 + 5 is ")print(output_1)print(output_2)

上面的代码通过导入必要的模块、设置了OpenAI LLM API Key、加载LLM-math等特定工具进行数学运算以及创建会话缓冲内存来演示LangChain库的使用。然后使用指定的代理类型、工具、LLM和其他参数初始化会话代理。该代码展示了与代理交互的两个提示。

3.3 ReAct Docstore

该代理使用React框架与文档存储进行通信。它要求提供名称相同的“搜索”工具和“查找”工具。“搜索”工具用于搜索文档，而“查找”工具则在最近找到的文档中查找术语。

from langchain.agents import initialize_agent, Toolfrom langchain.llms import OpenAIfrom langchain import Wikipediafrom langchain.agents.react.base import DocstoreExplorerllm = OpenAI(openai_api_key="...")docstore = DocstoreExplorer(Wikipedia())tools=[    Tool(name="Search", func=docstore.search, description="useful for when you need to ask with search"),    Tool(name="Lookup", func=docstore.lookup, description="useful for when you need to ask with lookup")]react_agent= initialize_agent(tools, llm, agent="react-docstore")print(react_agent.run("Full name of Narendra Modi is Narendra Damodardas Modi?")) # look on the keywords then go for searchprint(react_agent.run("Full name of Narendra Modi is Narendra Damodardas Modi."))

上面的代码从LangChain导入必要的模块，并使用API Key初始化OpenAI语言模型（LLM）。它建立了一个以维基百科为源的文档存储资源管理器。定义了两个工具，“搜索”和“查找”，其中“搜索”工具搜索文档，“查找”工具执行术语查找。

3.4 Self-ask with Search

此代理使用中间回答工具进行自我提问。

from langchain.agents import initialize_agent, Toolfrom langchain.llms import OpenAIfrom langchain import Wikipediallm = OpenAI(openai_api_key="...")wikipedia = Wikipedia()tools = [    Tool(        name="Intermediate Answer",        func=wikipedia.search,        description='wikipedia search'    )]agent = initialize_agent(    tools=tools,    llm=llm,    agent="self-ask-with-search",    verbose=True,)print(agent.run("what is the capital of Japan?"))