LangChain之Agent代理（上）

LangChain之Agent代理

Agent代理
- 概述
- 分类
Agent的基本使用
- 准备操作
- 定义工具
- - 1.Tavily在线搜索
  - 2.创建检索器
  - 3.得到工具列表
- 初始化大模型
- 创建Agent
- 运行Agent
- 添加记忆

Agent代理

概述

Agent代理的核心思想是使用语言模型来选择要采取的一系列动作。在链中，动作序列是硬编码的。在代理中，语言模型用作推理引擎来确定要采取哪些动作以及按什么顺序进行。

因此，在LangChain中，Agent代理就是使用语言模型作为推理引擎，让模型自主判断、调用工具和决定下一步行动。

Agent代理像是一个多功能接口，能够使用多种工具，并根据用户输入决定调用哪些工具，同时能够将一个工具的输出数据作为另一个工具的输入数据。

分类

根据几个维度对所有可用的代理进行分类:

模型类型：代理适用于那类模型。Chat（接收消息，输出消息）、LLM（接收字符串，输出字符串）

聊天历史: 代理是否支持聊天历史。如果支持，这意味着它可以用作聊天机器人。如果不支持，那么它更适合单一任务。

多输入工具:  代理是否支持具有多个输入的工具。如果一个工具只需要单个输入，那么LLM通常更容易知道如何调用它。

并行函数调用: 让LLM同时调用多个工具可以大大提高代理的效率

所需模型参数: 代理是否需要模型支持任何其他参数。某些代理类型利用了OpenAI 函数调用等功能，这些功能需要其他模型参数。如果不需要，则意味着一切都通过提示完成

代理名称	模型类型	聊天历史	多输入工具	并行函数调用	所需模型参数	描述	Agent
OpenAI tools	Chat	√	√	√	tools	OpenAI将调用单个函数的能力称为函数，将调用一个或多个函数的能力称为工具。	create_openai_tools_agent
OpenAI functions	Chat	√	√	x	functions	使用Op0nAl函数集合的代理。已弃用转而使用OpenAI tools	create_openai_functions_agent
XML Agent	LLM	√	x	x		某些语言模型（例如 Anthropic 的 Claude）特别擅长推理/编写 XML。	create_xml_agent
Structured chat	Chat	√	√	x		使用结构化工具集的代理	create_structured_chat_agent
JSON Chat Agent	Chat	√	x	x		代理使用 JSON 来格式化其输出，旨在支持聊天模型。	create_json_chat_agent
ReAct	LLM	√	x	x		推理和执行，推理后决定调用工具或者根据工具返回结果确定完成任务	create_react_agent
Self-ask with search	LLM	x	x	x		通过追问和中间答案，引导发现最终答案	create_self_ask_with_search_agent

Agent的基本使用

构建一个具有两种工具的代理：一种用于在线查找，另一种用于查找加载到索引中的特定数据。

准备操作

在LangChain中有一个内置的工具，可以方便地使用Tavily搜索引擎作为工具。

访问Tavily（用于在线搜索）注册账号并登录，获取API 密钥

设置OpenAI和TAVILY的API密钥

import os
os.environ["OPENAI_BASE_URL"] = "https://xxx.com/v1"
os.environ["OPENAI_API_KEY"] = "sk-BGFnOL9Q4c99B378Bxxxxxxxxxxxxxxxx13bc437B82c2"
os.environ["TAVILY_API_KEY"] = 'tvly-Scx77cTxxxxxxxxxxxxx3rmxRIM8'

定义工具

首先需要创建想要使用的工具。这里使用两个工具：

Tavily（用于在线搜索）

创建的本地索引的检索器

1.Tavily在线搜索

# 加载所需的库
from langchain_community.tools.tavily_search import TavilySearchResults

# 查询 Tavily 搜索 API 并返回 json 的工具
search = TavilySearchResults()
# 执行查询
res = search.invoke("目前市场上苹果手机15的平均售价是多少？")
print(res)

执行查询结果如下：
在这里插入图片描述

2.创建检索器

根据上述查询结果中的某个URL中，获取一些数据创建一个检索器。

这里使用一个简单的本地向量库FAISS，使用FAISS的CPU版本，需要安装FAISS库：

pip install faiss-cpu

from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

# 加载HTML内容为一个文档对象
loader = WebBaseLoader("https://www.ithome.com/0/718/713.htm")
docs = loader.load()
# 分割文档
documents = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200).split_documents(docs)
# 向量化
vector = FAISS.from_documents(documents, OpenAIEmbeddings())
# 创建检索器
retriever = vector.as_retriever()
# 测试检索结果
print(retriever.get_relevant_documents("iPhone 15平均销售价格是多少？")[1])

检索结果如下：
在这里插入图片描述

3.得到工具列表

from langchain.tools.retriever import create_retriever_tool
# 创建一个工具来检索文档
retriever_tool = create_retriever_tool(
    retriever,
    "iPhone_price_search",
    "搜索有关 iPhone 15 的价格信息。对于iPhone 15的任何问题，您必须使用此工具！",
)

# 创建将在下游使用的工具列表
tools = [search, retriever_tool]

初始化大模型

选择将驱动代理的LLM，为了模型回答更严谨，设置temperature=0

from langchain_openai import ChatOpenAI

# 初始化大模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

创建Agent

这里使用LangChain中一个叫OpenAI functions的代理，然后得到一个AgentExecutor代理执行器。

AgentExecutor是代理执行器，它实际上调用代理，执行其选择的操作，将操作输出传回代理，然后重复。

from langchain import hub

# 获取要使用的提示
prompt = hub.pull("hwchase17/openai-functions-agent")
# 打印Prompt
print(prompt)

# 使用OpenAI functions代理
from langchain.agents import create_openai_functions_agent

# 构建OpenAI函数代理：使用 LLM、提示模板和工具来初始化代理
agent = create_openai_functions_agent(llm, tools, prompt)

from langchain.agents import AgentExecutor
# 将代理与AgentExecutor工具结合起来
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

运行Agent

注意：目前这些都是无状态查询

# 执行代理
agent_executor.invoke({"input": "目前市场上苹果手机15的平均售价是多少？如果我在此基础上加价5%卖出，应该如何定价？?"})

执行部分日志记录如下：

> Entering new AgentExecutor chain...

Invoking: `iPhone_price_search` with `{'query': 'iPhone 15 average selling price'}`


苹果 iPhone 15/Pro系列国行价格出炉，5999 元起 - IT之家





根据搜索结果，苹果 iPhone 15 系列的国行价格从 5999 元起售。如果您想在此基础上加价5%，您可以按照以下方式定价：

- iPhone 15：5999 元 + 5% = 6298.95 元
- iPhone 15 Plus：6999 元 + 5% = 7348.95 元
- iPhone 15 Pro：7999 元 + 5% = 8398.95 元
- iPhone 15 Pro Max：9999 元 + 5% = 10498.95 元

您可以根据以上价格定价出售您的苹果手机 15 系列产品。希望这可以帮助到您！

> Finished chain.

添加记忆

目前代理是无状态的，这意味着它不记得以前的交互。为了给它记忆，需要传入chat_history。

注意：

chat_history是正在使用提示符中的一个变量，因此需要调用它。如果使用不同的提示，可能需要更改变量名称

具体Prompt提示模板内容如下：
在这里插入图片描述
记忆测试：

# 加载所需的库
from langchain_community.tools.tavily_search import TavilySearchResults

# 查询 Tavily 搜索 API 并返回 json 的工具
search = TavilySearchResults()

# 创建将在下游使用的工具列表
tools = [search]

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

from langchain import hub

# 获取要使用的提示
prompt = hub.pull("hwchase17/openai-functions-agent")

# 使用OpenAI functions代理
from langchain.agents import create_openai_functions_agent

# 创建使用 OpenAI 函数调用的代理
agent = create_openai_functions_agent(llm, tools, prompt)

from langchain.agents import AgentExecutor

# 得到代理工具执行器
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 执行代理
# 传入一个空的消息列表给chat_history，因为它是聊天中的第一条消息
res = agent_executor.invoke({"input": "hi! my name is bob", "chat_history": []})
print(res)

from langchain_core.messages import AIMessage, HumanMessage

agent_executor.invoke(
    {
        "chat_history": [
            HumanMessage(content=res['input']),
            AIMessage(content=res['output']),
        ],
        "input": "what's my name?",
    }
)

执行日志如下，代理明显有了记忆

> Entering new AgentExecutor chain...
Hello Bob! How can I assist you today?

> Finished chain.
{'input': 'hi! my name is bob', 'chat_history': [], 'output': 'Hello Bob! How can I assist you today?'}


> Entering new AgentExecutor chain...
Your name is Bob! How can I assist you today, Bob?

> Finished chain.

自动跟踪这些消息，可以将其包装在RunnableWithMessageHistory中

from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

message_history = ChatMessageHistory()

agent_with_chat_history = RunnableWithMessageHistory(
    agent_executor,
    lambda session_id: message_history,
    input_messages_key="input",
    history_messages_key="chat_history",
)

agent_with_chat_history.invoke(
    {"input": "hi! I'm bob"},
    config={"configurable": {"session_id": "<foo>"}},
)

agent_with_chat_history.invoke(
    {"input": "what's my name?"},
    config={"configurable": {"session_id": "<foo>"}},
)

执行日志如下：

> Entering new AgentExecutor chain...
Hello Bob! How can I assist you today?

> Finished chain.


> Entering new AgentExecutor chain...
Your name is Bob! How can I assist you, Bob?

> Finished chain.