代理的核心思想是使用LLM来选择要采取的一系列动作。 在链式结构中，一系列动作是硬编码的（在代码中）。 在代理中，使用语言模型作为推理引擎来确定要采取的动作及其顺序。
代理
这是负责决定下一步采取什么动作的类。 这是由语言模型和提示驱动的。 该提示可以包括以下内容：
- 代理的个性（对于以某种方式响应很有用）
- 代理的背景上下文（对于给予其更多关于所要求完成的任务类型的上下文很有用）
- 调用更好推理的提示策略（最著名/广泛使用的是ReAct）
LangChain提供了几种不同类型的代理来入门。 即使如此，您可能还希望使用部分（1）和（2）自定义这些代理。 有关代理类型的完整列表，请参见代理类型
工具
工具是代理调用的函数。 这里有两个重要的考虑因素：
- 给代理访问正确工具的权限
- 以对代理最有帮助的方式描述工具
如果没有这两者，您想要构建的代理将无法工作。 如果您不给代理访问正确工具的权限，它将永远无法完成目标。 如果您不正确描述工具，代理将不知道如何正确使用它们。
LangChain提供了一系列广泛的工具来入门，同时也可以轻松定义自己的工具（包括自定义描述）。 有关工具的完整列表，请参见这里
工具包
代理可以访问的工具集合通常比单个工具更重要。 为此，LangChain提供了工具包的概念-用于实现特定目标所需的一组工具。 通常一个工具包中有3-5个工具。
LangChain提供了一系列广泛的工具包来入门。 有关工具包的完整列表，请参见这里
入门
import os
from langchain_community.llms import QianfanLLMEndpoint
# 设置API
os.environ["QIANFAN_AK"] = ""
os.environ["QIANFAN_SK"] = ""
# 实例化(大模型)
llm = QianfanLLMEndpoint()
from langchain.agents import initialize_agent
from langchain.agents import load_tools
# 加载工具
tools = load_tools(["llm-math"], llm=llm)
from langchain.agents import AgentType
# 初始化agent
agent = initialize_agent(tools=tools, llm=llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True)
# verbose推理过程
llm.predict("25的3.5次方是多少？")
agent.run("25的3.5次方是多少？")
----------------------------
Entering new AgentExecutor chain...
Thought: 这个问题是要求计算一个数的次方，可以使用Calculator工具进行计算。
Action: 执行Calculator工具
Action Input: 输入25的3.5次方
Observation: 执行Calculator工具 is not a valid tool, try one of [Calculator].
Thought:根据您提供的信息，您需要计算25的3.5次方。由于我之前的回答中提到了Calculator工具，但实际上并没有提供具体的执行方式，这里我给您一个更具体的操作步骤。
Thought: 我应该使用Calculator来执行这个计算。
Action: 使用Calculator工具进行计算
Action Input: 输入数学表达式 "25的3.5次方" 或者 "25 ** 3.5"
Observation: 使用Calculator工具进行计算 is not a valid tool, try one of [Calculator].
Thought:看起来像是我们的对话中出现了一些误会或者技术的限制，暂时无法直接提供具体的计算工具。不过，我可以使用基本的数学计算来帮助您解答这个问题。
Thought: 既然无法直接使用Calculator工具，我可以手动进行计算。
Action: 手动计算
Action Input: 计算25的3.5次方
Observation: 手动计算 is not a valid tool, try one of [Calculator].
Thought:
- 首先，将25自乘三次：25 * 25 * 25 = 15625
- 然后，将结果乘以根号25的平方根（因为0.5次方就是平方根）：15625 * sqrt(25) = 15625 * 5 = 78125
所以，25的3.5次方的结果是78125。如果您需要更精确的计算结果，建议您使用在线的数学计算工具或者计算机软件进行计算。`
上面我们借助了llm-math 工具构建了一个简单的代理对输入25的3.5次方进行了回答。
使用langgraph做一个简单的多代理
现在在langchain中，代理一般都使用langgraph来进行构建。langgraph是一个代理框架的架构。
首先安装langsmith，langsmith官方文档链接 ，langsmith是一个LLM应用的调试测试监控框架。
pip install -U langsmith
# 进入https://smith.langchain.com/settings，创建一个名为default的project
# 设置相关环境参数
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "your key"
os.environ["LANGCHAIN_ENDPOINT"] = "https://api.smith.langchain.com"
os.environ["LANGCHAIN_PROJECT"] = 'default'
langgarph代码示例
pip install -U langgraph
import os
from langchain_community.chat_models import QianfanChatEndpoint
from typing import Annotated, Literal, TypedDict
from langchain_core.messages import HumanMessage
from langchain_core.tools import tool
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import END, StateGraph, MessagesState
from langgraph.prebuilt import ToolNode
# 设置API
os.environ["QIANFAN_AK"] = ""
os.environ["QIANFAN_SK"] = ""
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = ""
os.environ["LANGCHAIN_ENDPOINT"] = "https://api.smith.langchain.com"
os.environ["LANGCHAIN_PROJECT"] = 'default'
# 自定义工具给agent
@tool
def search(query: str):
"""Call to surf the web."""
print(query)
if "武汉" in query.lower() or "武 汉" in query.lower():
return ["25° 多云"]
return ["35° 晴天"]
tools = [search]
tool_node = ToolNode(tools)
# 定义模型
model = QianfanChatEndpoint(
model="ERNIE-Bot-turbo",
temperature=0.9
).bind_tools(tools)
# 定义条件
def should_continue(state: MessagesState) -> Literal["tools", END]:
print(state)
messages = state['messages']
last_message = messages[-1]
print(last_message.tool_calls)
if last_message.tool_calls:
return "tools"
return END
# 定义执行
def call_model(state: MessagesState):
messages = state['messages']
response = model.invoke(messages)
return {"messages": [response]}
# 创建工作流
workflow = StateGraph(MessagesState)
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)
workflow.set_entry_point("agent")
workflow.add_conditional_edges(
"agent",
should_continue,
)
workflow.add_edge("tools", 'agent')
checkpointer = MemorySaver()
app = workflow.compile(checkpointer=checkpointer)
final_state = app.invoke(
{"messages": [HumanMessage(content="武汉今天多少度")]},
config={"configurable": {"thread_id": 42}}
)
print(final_state["messages"][-1].content)
# 现在，当我们传递相同的thread_id时，对话上下文通过保存的状态（即存储的消息列表）保留"thread_id"
final_state = app.invoke(
{"messages": [HumanMessage(content="那北京情况如何呢?")]},
config={"configurable": {"thread_id": 42}}
)
print(final_state["messages"][-1].content)
langsmith截图：
