langchain入门系列之五 初探代理

2024-08-26 20:12
文章标签 入门 系列 代理 langchain 初探 之五

本文主要是介绍langchain入门系列之五 初探代理，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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：

  1. 代理的个性（对于以某种方式响应很有用）
  2. 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）
  3. 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：

  1. 给代理访问正确工具的权限
  2. 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 osfrom 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：
在这里插入图片描述

这篇关于langchain入门系列之五 初探代理的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

原文地址:
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.chinasem.cn/article/1109564。

相关文章

Python中OpenCV与Matplotlib的图像操作入门指南

Python中OpenCV与Matplotlib的图像操作入门指南

《Python中OpenCV与Matplotlib的图像操作入门指南》：本文主要介绍Python中OpenCV与Matplotlib的图像操作指南,本文通过实例代码给大家介绍的非常详细,对大家的学... 目录一、环境准备二、图像的基本操作1. 图像读取、显示与保存 使用OpenCV操作2. 像素级操作3.
阅读更多...
POI从入门到实战轻松完成EasyExcel使用及Excel导入导出功能

POI从入门到实战轻松完成EasyExcel使用及Excel导入导出功能

《POI从入门到实战轻松完成EasyExcel使用及Excel导入导出功能》ApachePOI是一个流行的Java库,用于处理MicrosoftOffice格式文件,提供丰富API来创建、读取和修改O... 目录前言:Apache POIEasyPoiEasyExcel一、EasyExcel1.1、核心特性
阅读更多...
Python中模块graphviz使用入门

Python中模块graphviz使用入门

《Python中模块graphviz使用入门》graphviz是一个用于创建和操作图形的Python库,本文主要介绍了Python中模块graphviz使用入门,具有一定的参考价值,感兴趣的可以了解一... 目录1.安装2. 基本用法2.1 输出图像格式2.2 图像style设置2.3 属性2.4 子图和聚
阅读更多...
Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战：从入门到进阶优化1. MyBatis
阅读更多...
Python FastAPI入门安装使用

Python FastAPI入门安装使用

《PythonFastAPI入门安装使用》FastAPI是一个现代、快速的PythonWeb框架,用于构建API,它基于Python3.6+的类型提示特性,使得代码更加简洁且易于绶护,这篇文章主要介... 目录第一节：FastAPI入门一、FastAPI框架介绍什么是ASGI服务（WSGI）二、FastAP
阅读更多...
Spring Security 从入门到进阶系列教程

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门（一）：登录与退出》 《Spring-Security-入门（二）：基于数据库验证》 《Spring-Security-入门（三）：密码加密》 《Spring-Security-入门（四）：自定义-Filter》 《Spring-Security-入门（五）：在 Sprin
阅读更多...
高效+灵活，万博智云全球发布AWS无代理跨云容灾方案！

高效+灵活，万博智云全球发布AWS无代理跨云容灾方案！

摘要 近日，万博智云推出了基于AWS的无代理跨云容灾解决方案，并与拉丁美洲，中东，亚洲的合作伙伴面向全球开展了联合发布。这一方案以AWS应用环境为基础，将HyperBDR平台的高效、灵活和成本效益优势与无代理功能相结合，为全球企业带来实现了更便捷、经济的数据保护。 一、全球联合发布 9月2日，万博智云CEO Michael Wong在线上平台发布AWS无代理跨云容灾解决方案的阐述视频，介绍了
阅读更多...
在JS中的设计模式的单例模式、策略模式、代理模式、原型模式浅讲

在JS中的设计模式的单例模式、策略模式、代理模式、原型模式浅讲

1. 单例模式（Singleton Pattern） 确保一个类只有一个实例，并提供一个全局访问点。 示例代码： class Singleton {constructor() {if (Singleton.instance) {return Singleton.instance;}Singleton.instance = this;this.data = [];}addData(value)
阅读更多...
科研绘图系列：R语言扩展物种堆积图（Extended Stacked Barplot）

科研绘图系列：R语言扩展物种堆积图（Extended Stacked Barplot）

介绍 R语言的扩展物种堆积图是一种数据可视化工具，它不仅展示了物种的堆积结果，还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异，为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl
阅读更多...
数论入门整理（updating）

数论入门整理（updating）

一、gcd lcm 基础中的基础，一般用来处理计算第一步什么的，分数化简之类。 LL gcd(LL a, LL b) { return b ? gcd(b, a % b) : a; } <pre name="code" class="cpp">LL lcm(LL a, LL b){LL c = gcd(a, b);return a / c * b;} 例题：
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2