LangChain Agent 最新教程详解及示例学习

LangChain Agent的终极指南，本教程是您使用 Python 创建第一个agent的重要指南，请立即开始你的 LLM 开发之旅。

一、什么是LangChain Agent（代理）

LangChain中代理背后的想法是利用语言模型以及要执行的一系列操作。代理正在使用推理引擎来确定要执行哪些操作来获取结果。

代理对于处理从简单的自动响应到复杂的上下文感知交互等任务至关重要。

例如，您可能有一个与 Google 搜索、Wikipedia 和 OpenAI LLM 集成的代理。使用给定的代理工具，他们可以在 Google 中搜索结果，然后使用维基百科工具中检索到的上下文来查找详细信息并扩展上下文。

请记住，您必须放置明确定义的指令，以确保代理将以正确的顺序调用工具。

该图展示了代理及其组件的示例：

二、提升你的Agent（代理）

你可能想知道，“为什么我不能使用简单的LLM来回答我的问题？在某些情况下，使用的 LLM 模型具有旧数据，或者您必须提供一些内部数据（并使用嵌入来查找相似性）。

探索这些可以提升座席功能的示例：

1.网页搜索工具

您可以轻松地将不同类型的 Web 搜索作为可用操作添加到您的代理。它可能是 Google 搜索、Tavily 搜索、DuckDuckGo 等。

2.在矢量数据库中嵌入搜索

您可以从检索器创建一个工具并根据需要对其进行描述，因此代理将使用此工具来获取某种数据，例如相似性检查和嵌入模型。

3.做特定动作

您的代理可以是多用途的。例如，它可能在 Internet 上搜索某种信息，执行推理步骤，然后调用操作来创建 Jira 事务。

4.API集成工具

LangChain框架已经做了很多API集成，你需要做的就是获取API密钥，安装包并将工具附加到代理上。

5.自定义工具

您可以编写自己的工具，请参阅文档以了解如何操作。它可能是与您的内部 API、文档系统和许多其他应用程序的集成！

三、LangChain Agent vs. Chain

除了拥有代理之外，LangChain还支持链的想法。

链是要执行的操作的子序列，始终以硬编码的方式进行。这是代理和链之间的关键区别。虽然在代理中，推理模型可以选择其他操作（从给定的工具）来获取特定数据，但链将始终采用我们选择的相同路径。

与链相比，代理商的优势：

根据工具的描述，代理决定应使用哪种工具来获取相关信息。
代理采取行动并获取给定结果的上下文，例如在其他资源（例如Google搜索和维基百科）中搜索其他信息。
代理检查结果并重复该过程以获取所需的数据。

四、使用代理的主要目标

当您构建自己的 AI LangChain 解决方案时，您需要了解使用代理是否是您想要的方式。

如果您的用例始终基于相同的流程和策略，例如：

1.网络搜索。
2.向量数据库文本嵌入。
3.推理。

然后，您可以考虑使用链而不是代理。agent成本是不可预测的，因为有些问题可能会在调用一个工具后直接回答，而另一些问题可能会使用一套全面的工具进行适当的推理。如果您的用例基于确定来自不同来源的事物（称为工具），那么代理似乎是一个很好的解决方案。另一方面，一种代理类型使用单个工具将复杂的查询划分为更简单的查询，因此这也可能是决定是使用链查询还是代理的另一个标准。

五、LangChain Agent类型

LangChain根据几个维度对代理进行分类：

模型类型;
支持聊天记录;
多输入工具;
并行函数调用;
必需的模型参数。

选择适合您的选项：

1.OpenAI 函数

某些模型经过微调，输入与平时略有不同。可以调用一些特殊函数，此代理的作用是确定何时应调用它。该代理旨在与这种 OpenAI 模型一起使用。它支持聊天记录。

2.OpenAI 工具

该代理旨在与 OpenAI 工具配合使用，因此其作用是交互并确定是否使用图像生成工具或其他内置工具。OpenAI 函数之间的主要区别在于，该函数试图找到最适合的算法/算法的一部分以进行更好的推理，而 OpenAI 工具是关于内置工具，如图像生成和执行代码。它支持聊天记录。

3.XML代理

在一些模型中，推理/编写XML处于非常高级的水平（一个很好的例子是Anthropic Claude的模型）。如果您正在处理 XML 文件，这可能是要考虑的正确选择。它支持聊天记录。

4.JSON 对话代理

在读取JSON时，市场上有几种LLM特别方便。JSON也是某些实体表示的非常常见的标准。如果您正在构建某种对 JSON 文件进行操作的集成，并且模型支持它，则可以尝试使用此代理。它支持聊天记录。

5.结构化聊天

适用于多输入工具。它支持聊天记录。

6.ReAct 代理

为简单模型（LLM - 非对话式）制作。它支持聊天记录。

7.自助搜索

这种代理仅支持一个工具作为输入。主要目标是将您的查询分成更小的查询，使用工具获得答案，然后将其组合成问题的完整答案。这种代理不支持聊天记录。

六、工具

工具是执行单个任务的代理的主要组件。它可以是 Web 搜索、矢量数据库搜索或任何其他操作。您可以从社区完成的许多完整工具中进行选择，也可以编写自己的工具。

LangChain还具有从检索器创建工具的非常有用的功能：

tool = create_retriever_tool(
   retriever,
   name="companies_database",
   description="Useful when you need to find information about company."
)

从 Chroma in-memory 数据库创建检索器的位置：

retriever = Chroma.from_documents(documents_list, embedding_function).as_retriever()

像这个例子一样，对检索工具进行良好的描述是非常重要的，因为代理步骤决策机制就是基于此。如果您的描述缺失或不完整，可能会导致跳过代理执行的操作。

值得一提的是，工具名称也应该是唯一的。

七、工具包

工具包是工具与预定义操作的组合，可以在我们的代理中使用。通常，它们被组装到特定域。有不同的例子：

CSV代理工具包，用于对“CSV”文件进行操作（读取、写入），
Github 代理工具包，在 Github 上实现了不同的操作，例如创建新问题、创建新拉取请求等。

与工具相比，工具包实现了很多操作。

八、创建第一个LangChain Agent

先决条件：

Tavily API token
OpenAI API token
Python v3.11 版
Pip 包：langchain（至少 v0.1.0）、openai、wikipedia、langchain-community、tavily-python、langchainhub、langchain-openai、python-dotenv

此时，您必须选择：

您想使用的 LLM（例如 ChatOpenAI）;
代理类型（有关代理类型部分的更多内容）;
工具。

现在，您可以组合所有内容：

from dotenv import load_dotenv
from langchain import hub
from langchain.agents import AgentExecutor, create_openai_functions_agent, load_tools
from langchain.tools.tavily_search import TavilySearchResults
from langchain.utilities.tavily_search import TavilySearchAPIWrapper
from langchain_openai import ChatOpenAI

load_dotenv()

def get_function_tools():
  search = TavilySearchAPIWrapper()
  tavily_tool = TavilySearchResults(api_wrapper=search)

  tools = [
      tavily_tool
  ]

  tools.extend(load_tools(['wikipedia']))

  return tools


def init_action():
  llm = ChatOpenAI(model="gpt-4", temperature=0.1)
  prompt = hub.pull("hwchase17/openai-functions-agent")
  tools = get_function_tools()
  agent = create_openai_functions_agent(llm, tools, prompt)
  agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
  agent_executor.invoke({"input": "Who is the owner of Tesla company? Let me know details about owner."})


init_action()

Dotenv 文件应具有以下环境：

TAVILY_API_KEY=
OPENAI_API_KEY=

九、Agent 执行器

从LangChain v0.1.0版本开始，推荐的创建新代理的方式是使用AgentExecutor。您可以通过传递代理和工具轻松定义您的执行器。

旧的initialize_agent使用方式被标记为从 v0.1.0 版本开始弃用。

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

十、定义提示语

LangChain v0.1.0 版本提供了一种新的初始化代理的方法。我们必须对每种类型使用明确定义的方法，而不是使用initialize_agent。还有一个称为 prompt 的附加参数。我们可以使用默认提示（您可以参考文档查看每个代理的提示）。

OpenAI 函数代理的默认提示示例：

prompt = hub.pull("hwchase17/openai-functions-agent")

如果您不打算覆盖默认提示，请相应地提供默认提示。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍