大家好，我是【同学小张】。持续学习，持续干货输出，关注我，跟我一起学AI大模型技能。
在我前面的MetaGPT系列文章中，已经对智能体有了一个认知，重温一下：
智能体 = LLM+观察+思考+行动+记忆
- 将大语言模型作为一个推理引擎。给定一个任务，智能体自动生成完成任务所需的步骤，执行相应动作（例如选择并调用工具），直到任务完成。
更详细的智能体相关概念可看我前面的文章：
【AI的未来 - AI Agent系列】【MetaGPT】1. AI Agent如何重构世界
本文我们来学习下LangChain中的智能体模块怎么用。
0. 从一个例子认识LangChian的Agent
下面，我们以一个Google搜索的例子来直观认识下LangChain的Agent。
0.1 Google搜索Tool
0.1.1 注册Google并获取搜索API的key
Google搜索需要借助 Serpapi 来进行实现，Serpapi 提供了 Google 搜索的 API 接口。
（1）去官网：https://serpapi.com/ 注册一个账号，获取自己的key
（2）像OpenAI的key一样添加到环境变量的配置文件中。
（3）安装google检索依赖的Python包
pip install google-search-results
0.2 运行示例程序
咱们先不看LangChain的Agent的概念、接口及原理，先来一个简单的使用示例，运行起来，看下LangChain的Agent都能干什么。
- 示例程序完整代码
import os # 加载 .env 到环境变量 from dotenv import load_dotenv, find_dotenv _ = load_dotenv(find_dotenv()) from langchain_openai import ChatOpenAI llm = ChatOpenAI() # 默认是gpt-3.5-turbo # 定义 tools from langchain.agents import load_tools tools = load_tools(["serpapi"]) from langchain.agents import initialize_agent from langchain.agents import AgentType # 工具加载后都需要初始化，verbose 参数为 True，会打印全部的执行详情 agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True) # 运行 agent agent.run("今天的日期是什么? 历史上的今天发生了什么大事?用中文回答")
- 运行结果
0.3 运行结果解释
从上面运行结果可以看到此Agent的运行过程：
（1）先总结了任务和思考了步骤：检索当前日期，然后检索这个日期上发生的历史事件
（2）执行检索当前日期的步骤：Action是Search，输入是“今天的日期”
（3）得到了今天的日期：Observation的结果
（4）再一次思考：我现在已经知道了当前日期
（5）执行第二步：Action是Search，输入是“历史上的今天发生了什么大事”
（6）得到了第二步的结果
（7）再思考：知道了历史上的今天发生了什么
（8）总结输出最终回复
简单概括：思考 —> 得到结果 —> 思考 —> 得到结果 —> … —> 思考 —> 总结
到这里，相信你已经大体知道Agent是干什么的了。下面，我们拆解下Agent的实现。
1. Agent实现步骤拆解
1.1 先定义工具Tools
- 可以是一个函数或三方 API
- 也可以把一个 Chain 或者 Agent 的 run()作为一个 Tool
在上面的例子中，我们使用了官方内置的Tool：serpapi，这也是可以自己定义的。例如下面的代码，自定义了一个weekday的工具。
import calendar import dateutil.parser as parser from datetime import date from langchain.tools import Tool, tool # 自定义工具 @tool("weekday") def weekday(date_str: str) -> str: """Convert date to weekday name""" d = parser.parse(date_str) return calendar.day_name[d.weekday()] tools += [weekday] ## 将自定义的tool添加到tools数组中
1.2 Prompt模板
要想写好Agent，Prompt模板也不可或缺。LangChain提供了一些Prompt模板，可以直接下载修改使用。再也不用绞尽脑汁自己从零开始写Prompt了！
先安装下Python包：
pip install langchainhub
执行以下代码：
from langchain import hub import json # 下载一个现有的 Prompt 模板 prompt = hub.pull("hwchase17/react") print(prompt.template)
获得Prompt模板内容（我觉得比90%的人自己写的要好）：
当然，这类Prompt模板可能不完全符合你的需求，所以你需要在此基础上作一些补充或修改。但是，总比自己从零开始写要好得多。
如果要修改，可以参考我下面的方式，主要注意点是prompt应该是一个PromptTemplate类型，而不是一个字符串
# from langchain import hub # import json # # 下载一个现有的 Prompt 模板 # prompt = hub.pull("hwchase17/react") # print(prompt.template) from langchain_core.prompts import ChatPromptTemplate prompt_template = """ Answer the following questions as best you can. You have access to the following tools: {tools} Use the following format: Question: the input question you must answer Thought: you should always think about what to do Action: the action to take, should be one of [{tool_names}] Action Input: the input to the action，如果其中有日期，请确保只输入日期，格式为:YYYY-MM-DD，不要有任何其它字符 Observation: the result of the action，如果其中有日期，请确保输出的日期格式为:YYYY-MM-DD，不要有任何其它字符 ... (this Thought/Action/Action Input/Observation can repeat N times) Thought: I now know the final answer Final Answer: the final answer to the original input question Begin! Let's think step by step. Take a deep breath. Question: {input} Thought:{agent_scratchpad} """ prompt = ChatPromptTemplate.from_template(prompt_template)
1.3 创建Agent
准备好llm、tools、prompt之后，创建Agent
from langchain.agents import create_react_agent agent = create_react_agent(llm, tools, prompt)
可能会报错：ImportError: cannot import name ‘create_react_agent’ from ‘langchain.agents’，解决方法：
pip install langchain --upgrade
1.4 创建Agent执行器
from langchain.agents import AgentExecutor agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
- 不理解：为什么在创建Agent时传入了tools，这里创建Agent执行器还要再传入一遍tools？难道为多Agent区分各自tools ？
1.5 运行Agent
agent_executor.invoke({"input": "周杰伦生日那天是星期几"})
1.6 运行结果及遇到的坑
运行结果如下：
遇到的坑：
（1）无法识别出第一步应该先检索当前日期，直接就调用了weekday工具
- 解决办法：优化Promot，加入了 “Let’s think step by step. Take a deep breath.”
不得不说，这两句是真好使
（2）weekday工具的输入不符合要求
- 解决办法：优化Prompt，限制输入和输出的日期类型，见上文完整的Prompt
目前大模型规划的能力还是不行。以上例子中Agent主要是依靠大模型来进行流程控制，具有很大的不确定性和不可控性。
2. 补充知识
2.1 AgentTypes
LangChain的Agent模块封装了多种Agent类型可供使用。详细可参考：https://python.langchain.com/docs/modules/agents/agent_types/
| Agent Type | 预期模型类型 | 支持聊天历史记录 | 支持多输入工具 | 支持并行函数调用 | 需要的模型参数 | 何时使用 |
| OpenAI Tools | 聊天 | ? | ? | ? | 工具 | 如果您正在使用最新的 OpenAI 模型（从 1106 开始） |
| OpenAI Functions | 聊天 | ? | ? | 函数 | 如果您正在使用一个 OpenAI 模型，或者一个已经针对函数调用进行了微调并且公开了与 OpenAI 相同函数参数的开源模型 | |
| XML | LLM | ? | 如果您正在使用 Anthropic 模型，或其他擅长处理 XML 的模型 | |||
| Structured Chat | 聊天 | ? | ? | 如果您需要支持具有多个输入工具的场景 | ||
| JSON Chat | 聊天 | ? | 如果您正在使用擅长处理 JSON 的模型 | |||
| ReAct | LLM | ? | 如果您使用的是简单模型 | |||
| Self Ask With Search | LLM | 如果您使用的是简单模型，并且只有一个搜索工具 |
2.2 各AgentTypes的Prompt模板
- OpenAI functions
# Get the prompt to use - you can modify this! prompt = hub.pull("hwchase17/openai-functions-agent")
- OpenAI tools
# Get the prompt to use - you can modify this! prompt = hub.pull("hwchase17/openai-tools-agent")
- XML Agent
# Get the prompt to use - you can modify this! prompt = hub.pull("hwchase17/xml-agent-convo")
- JSON Chat Agent
# Get the prompt to use - you can modify this! prompt = hub.pull("hwchase17/react-chat-json")
- Structured chat
# Get the prompt to use - you can modify this! prompt = hub.pull("hwchase17/structured-chat-agent")
- ReAct
# Get the prompt to use - you can modify this! prompt = hub.pull("hwchase17/react")
- Self-ask with search
# Get the prompt to use - you can modify this! prompt = hub.pull("hwchase17/self-ask-with-search")
本文就到这里了。咱们对LangChain的Agent模块有了一个初步的认识，并且学会了如何利用LangChain实现一个简单的Agent，如何自定义自己的tool等。
当然，Agent不止于此，LangChain的Agent模块也不止于此，还需要更加细致的学习和挖掘。
如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~
- 大家好，我是同学小张
- 欢迎 点赞 + 关注 ?，促使我持续学习，持续干货输出。
- +v: jasper_8017 一起交流?，一起进步?。
- 微信公众号也可搜【同学小张】 ?
- 踩坑不易，感谢关注和围观
本站文章一览：
