开源模型应用落地-LangChain高阶-Tools工具-集成agents（四）

本文主要是介绍开源模型应用落地-LangChain高阶-Tools工具-集成agents（四），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！

一、前言

    LangChain 的 tools 是一系列关键组件，它们提供了与外部世界进行交互的能力。通过适当的使用这些组件，可以简单实现如执行网络搜索以获取最新信息、调用特定的 API 来获取数据或执行特定的操作、与数据库进行交互以获取存储的信息等需求。

    本章基于agents进一步串联工具（tools ），从而将大语言模型的能力和本地、云服务能力结合。

---

二、术语

2.1. agent

    是 LangChain 中的代理模块，它可以使用语言模型（LLM）动态地调用行为链（Chains），根据用户的输入调用不同的行为。代理可以访问单一工具，并根据用户输入确定要使用的工具，也可以使用多个工具，并使用一个工具的输出作为下一个工具的输入。

---

三、前提条件 

3.1. 基础环境及前置条件

1.  操作系统：centos7

3.2. 安装虚拟环境

conda create --name langchain python=3.10
conda activate langchain
pip install langchain langchain-openai

3.3. 创建Wolfram账号

开源模型应用落地-LangChain高阶-Tools工具-WolframAlpha（二）

3.4. 创建serper账号

开源模型应用落地-LangChain高阶-Tools工具-GoogleSerperAPIWrapper（三）

---

四、技术实现

4.1.询问广州白云山位置

# -*-  coding = utf-8 -*-
import json
import os
import warnings
import traceback
from langchain.agents import initialize_agent, Tool, AgentType
from langchain_community.utilities.wolfram_alpha import WolframAlphaAPIWrapper
from langchain_openai import ChatOpenAI
from langchain_community.utilities import GoogleSerperAPIWrapperwarnings.filterwarnings("ignore")os.environ["SERPER_API_KEY"] = "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
os.environ["WOLFRAM_ALPHA_APPID"] = "xxxxxx-xxxxxx"API_KEY = "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
os.environ["OPENAI_API_KEY"] = API_KEYdef query_location(region):# print(f'region: {region}')search = GoogleSerperAPIWrapper(type="places")results = search.results(region)# print(f'results: {results}')try:places = results['places']# places_object = json.loads(places)if len(places) > 0:place = places[0]address = place['address']latitude = place['latitude']longitude = place['longitude']print(f'address: {address}, latitude: {latitude}, longitude: {longitude}')return addresselse:return 'unknown'except Exception as e:traceback.print_exc()return 'unknown'def mathematical_calculations(info):wolfram = WolframAlphaAPIWrapper()result = wolfram.run(info)return resulttools = [Tool(name = "query_location",func=query_location,description="This function is used to query the location of a specified region, with the input parameter being the region"),Tool(name = "mathematical_calculations",func=mathematical_calculations,description="This function is used for mathematical calculations, and the input parameters are mathematical expressions")
]if __name__ == '__main__':llm = ChatOpenAI(model_name='gpt-3.5-turbo-1106', temperature=0.9, max_tokens=1024)agent = initialize_agent(tools,llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,max_iterations=3,verbose=True)result = agent.run('广州白云山在哪里？')print(f'result: {result}')

调用结果：

4.2.求解数学表达式

# -*-  coding = utf-8 -*-
import json
import os
import warnings
import traceback
from langchain.agents import initialize_agent, Tool, AgentType
from langchain_community.utilities.wolfram_alpha import WolframAlphaAPIWrapper
from langchain_openai import ChatOpenAI
from langchain_community.utilities import GoogleSerperAPIWrapperwarnings.filterwarnings("ignore")os.environ["SERPER_API_KEY"] = "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
os.environ["WOLFRAM_ALPHA_APPID"] = "xxxxxx-xxxxxx"API_KEY = "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
os.environ["OPENAI_API_KEY"] = API_KEYdef query_location(region):# print(f'region: {region}')search = GoogleSerperAPIWrapper(type="places")results = search.results(region)# print(f'results: {results}')try:places = results['places']# places_object = json.loads(places)if len(places) > 0:place = places[0]address = place['address']latitude = place['latitude']longitude = place['longitude']print(f'address: {address}, latitude: {latitude}, longitude: {longitude}')return addresselse:return 'unknown'except Exception as e:traceback.print_exc()return 'unknown'def mathematical_calculations(info):wolfram = WolframAlphaAPIWrapper()result = wolfram.run(info)return resulttools = [Tool(name = "query_location",func=query_location,description="This function is used to query the location of a specified region, with the input parameter being the region"),Tool(name = "mathematical_calculations",func=mathematical_calculations,description="This function is used for mathematical calculations, and the input parameters are mathematical expressions")
]if __name__ == '__main__':llm = ChatOpenAI(model_name='gpt-3.5-turbo-1106', temperature=0.9, max_tokens=1024)agent = initialize_agent(tools,llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,max_iterations=3,verbose=True)result = agent.run('求解：2x + 5 = -3x + 7')print(f'result: {result}')

调用结果：

---

五、附带说明

5.1.AgentType取值

• AgentType.ZERO_SHOT_REACT_DESCRIPTION表示零样本反应式描述代理，它利用 ReAct 框架根据工具的描述来决定使用哪个工具。这种代理可以使用多个工具，但需要为每个工具提供描述信息。工具的选择单纯依靠工具的描述信息。
• AgentType.SELF_ASK_WITH_SEARCH表示 Self-Ask with Search 代理类型。这种代理使用一个名为“中间应答”的工具，该工具能够查找问题的真实答案。它的工作原理是利用网络搜索 API 进行搜索，并将搜索结果作为中间答案，然后继续进行提问和搜索，直到找到最终的答案。
• AgentType.REACT_DOCSTORE使用 ReAct 框架与文档存储进行交互。适用于需要从文档存储中获取信息并进行处理的任务。通过使用“Search”和“Lookup”工具，它可以实现对文档的搜索和查找功能，帮助用户快速找到所需的信息。

• AgentType.CONVERSATIONAL_REACT_DESCRIPTION主要用于对话场景。它使用 ReAct 框架来决定使用哪个工具，并使用内存来记忆先前的对话交互。这种代理类型的设计旨在使代理能够进行对话并提供帮助。通过使用 ReAct 框架，它可以根据对话的上下文和需求选择合适的工具来执行任务，并将工具执行的结果作为上下文反馈给代理，以便其继续进行推理和回答。

5.2.Agent的执行流程

1. 接收用户输入：接收用户的输入，并将其作为执行的起点。
2. 规划动作：根据用户输入和当前状态，agent 会规划下一步的动作。这可能包括选择使用哪个工具、确定工具的输入等。
3. 执行动作：使用所选的工具执行动作，并记录动作的结果。
4. 处理结果：处理动作的结果，并根据结果决定下一步的动作。
5. 重复步骤：不断重复上述步骤，直到达到最终的目标或满足特定的条件。

    注意：具体的执行流程可能因 agent 的类型和配置而有所不同。

5.3.注意事项

1. 工具选择和配置：要确保选择合适的工具，并正确配置它们。
2. 输入处理：仔细处理用户输入，确保其清晰和准确。
3. 工具依赖：注意工具之间的依赖关系，避免不必要的冲突。
4. 性能和效率：关注执行过程中的性能和效率，优化可能的瓶颈。
5. 错误处理：做好错误处理，应对可能出现的异常情况。
6. 环境适应性：根据不同的应用场景，调整 Agent 的行为和策略。

这篇关于开源模型应用落地-LangChain高阶-Tools工具-集成agents（四）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！

---