0、概要
Agent是干什么的？ Agent的核心思想是使用语言模型（LLM）作为推理的大脑，以制定解决问题的计划、借助工具实施动作。在agents中几个关键组件如下：
- Agent：制定计划和思考下一步需要采取的行动。
- Tools：解决问题的工具
- Toolkits：用于完成特定目标所需的工具组。一个toolkit通常包含3-5个工具。
- AgentExecutor：AgentExecutor是agent的运行时环境。这是实际调用agent并执行其选择的动作的部分。
1、Agent整体架构
代理（Agents）涉及LLM做出决策以确定要采取哪些行动，执行该行动，查看观察结果并重复执行步骤直到完成。LangChain为代理提供了标准接口，一系列可供选择的代理和端到端代理的示例。
在LLM驱动的自主代理系统中，LLM充当代理的大脑，并辅以几个关键功能：
- 规划
- 子目标拆解解：agent将大型任务拆解为小型的、可管理的子目标，从而能够高效处理复杂任务。
- 反思和改进：agent可以从过去的行为中进行自我批评和自我反省。这种从错误中吸取教训，并对未来的步骤进行改进的思维可以有效提高最终结果。真种思维方式来自ReAct，其大致格式为：Thought: ...Action: ...Observation: ... (Repeated many times)。
ReAct
- 记忆
- 短期记忆：上下文学习是利用模型的短期记忆来学习的。
- 长期记忆：通过利用外部向量存储和快速检索，agen可以实现长时间保留和回忆（无限）信息的能力。
- 工具使用
- 代理学习调用外部 API 以获取模型权重中缺少的额外信息（通常在预训练后很难更改），包括当前时讯、代码执行能力、对私有信息源的访问等。自然可以自定义工具使用，如本地向量数据库查找。
自定义工具方法
2、langchain中agent实现
langchain中agent有两种主要类型：
- 动作代理人（Action agents）：在每个时间步上，使用所有先前动作的输出决定下一个动作。
- 接收用户输入
- 决定是否使用任何工具以及工具输入
- 调用工具并记录输出（也称为“观察结果”）
- 使用工具历史记录、工具输入和观察结果决定下一步
- 重复步骤 3-4，直到确定可以直接回应用户
| zero-shot-react-description | 代理使用ReAct框架，仅基于工具的描述来确定要使用的工具.此代理使用 ReAct 框架确定使用哪个工具 仅基于工具的描述。缺乏 会话式记忆。 |
| conversational-react-description | 这个代理程序旨在用于对话环境中。提示设计旨在使代理程序有助于对话。 它使用ReAct框架来决定使用哪个工具，并使用内存来记忆先前的对话交互。 |
| react-docstore | 这个代理使用ReAct框架，必须提供两个工具：一个 |
| self-askwith-search | 代理使用一个被命名为Intermediate Answer的工具。根据需要执行搜索和提问步骤，以获得最终答案。 |
| chat-zero-shot-react-description | zero-shot意味着代理 (Agents) 仅在当前操作上起作用——它没有 记忆。 |
| chat-conversational-react-description | 该代理被设计用于会话设置。提示的目的是使代理具有帮助和会话性。它使用ReAct框架来决定使用哪个工具，并使用内存来记住以前的会话交互。 |
| structured-chat-zero-shot-react-description | 能够使用多输入工具，结构化的参数输入。 |
| openai-functions | 某些OpenAI模型（如gpt-3.5-turbo-0613和gpt-4-0613）已经明确地进行了微调，如果使用这些模型，可以考虑使用OpenAI Functions 的AgentType。 |
| openai-multi-functions | 某些OpenAI模型（如gpt-3.5-turbo-0613和gpt-4-0613）已经明确地进行了微调，如果使用这些模型，可以考虑使用OpenAI Functions 的AgentType。 |
- 计划执行代理人（Plan-and-execute agents）：预先决定所有动作的完整顺序，然后按照计划执行，而不更新计划。
- 接收用户输入
- 规划要执行的全部步骤序列
- 按顺序执行步骤，将过去步骤的输出作为未来步骤的输入
动作代理人适用于小任务，而计划执行代理人适用于复杂或长时间运行的任务，这些任务需要保持长期目标和重点。
3、Agent业务实现逻辑
demo code:
from langchain.agents import initialize_agent, Tool
from langchain_wenxin.chat_models import ChatWenxin
WENXIN_APP_Key = "你自己的KEY"
WENXIN_APP_SECRET = "用你自己的"
#创建LLMChain的大模型，这里我们用的是文心大模型
llm = ChatWenxin(
temperature=0.4,
model="ernie-bot-turbo",
baidu_api_key = WENXIN_APP_Key,
baidu_secret_key = WENXIN_APP_SECRET,
verbose=True,
)
# 模拟问关于订单
def search_order(input:str) ->str:
return "订单状态：已发货；发货日期：2023-09-15；预计送达时间：2023-09-18"
# 模拟问关于推荐产品
def recommend_product(input:str)->str:
return "红色连衣裙"
# 模拟问电商faq
def faq(input:str)->str:
return "7天无理由退货"
# 创建了一个 Tool 对象的数组，把这三个函数分别封装在了三个 Tool 对象里面
# 并且定义了描述，这个 description 就是告诉 AI，这个 Tool 是干什么用的，会根据描述做出选择
tools=[
Tool(
name="Search Order",func=search_order,
description="useful for when you need to answer questions about customers orders"
),
Tool(
name="Recommend Product",func=recommend_product,
description="useful for when you need to answer questions about product recommendations"
),
Tool(
name="FAQ",func=faq,
description="useful for when you need to answer questions about shopping policies, like return policy, shipping policy, etc."
),
]
# 指定使用tools，llm，agent则是zero-shot"零样本分类"，不给案例自己推理
# 而 react description，指的是根据你对于 Tool 的描述（description）进行推理（Reasoning）并采取行动（Action）
agent=initialize_agent(tools,llm,agent="zero-shot-react-description", verbose=True)
question = "我想买一件衣服，但是不知道哪个款式好看，你能帮我推荐一下吗？"
result=agent.run(question)
print(result)
result：
Action: Recommend Product
Action Input: 顾客询问衣服款式推荐
Observation: 我将根据顾客的需求和喜好推荐几个款式。
Action: 开始搜索并筛选出几个符合顾客需求的款式。
Observation: 这些款式都是比较受欢迎的，并且符合顾客的喜好。
...
Thought: 我已经找到了几个合适的款式，现在可以给出最终推荐了。
Final Answer: 根据顾客的需求和喜好，我推荐了以下几款衣服，您可以根据自己的喜好进行选择。
Final Answer: 推荐款式为：款式A、款式B和款式C。
Observation: 顾客可以根据我的推荐去选择自己喜欢的款式。
