Agent代理
概述
Agent代理的核心思想是使用语言模型来选择要采取的一系列动作。在链中，动作序列是硬编码的。在代理中，语言模型用作推理引擎来确定要采取哪些动作以及按什么顺序进行。
因此，在LangChain中，Agent代理就是使用语言模型作为推理引擎，让模型自主判断、调用工具和决定下一步行动。
Agent代理像是一个多功能接口，能够使用多种工具，并根据用户输入决定调用哪些工具，同时能够将一个工具的输出数据作为另一个工具的输入数据。
分类
根据几个维度对所有可用的代理进行分类:
模型类型：代理适用于那类模型。Chat（接收消息，输出消息）、LLM（接收字符串，输出字符串）
聊天历史: 代理是否支持聊天历史。如果支持，这意味着它可以用作聊天机器人。如果不支持，那么它更适合单一任务。
多输入工具: 代理是否支持具有多个输入的工具。如果一个工具只需要单个输入，那么LLM通常更容易知道如何调用它。
并行函数调用: 让LLM同时调用多个工具可以大大提高代理的效率
所需模型参数: 代理是否需要模型支持任何其他参数。某些代理类型利用了OpenAI 函数调用等功能，这些功能需要其他模型参数。如果不需要，则意味着一切都通过提示完成
| 代理名称 | 模型类型 | 聊天历史 | 多输入工具 | 并行函数调用 | 所需模型参数 | 描述 | Agent |
|---|---|---|---|---|---|---|---|
| OpenAI tools | Chat | √ | √ | √ | tools | OpenAI将调用单个函数的能力称为 函数，将调用一个或多个函数的能力称为工具。 | create_openai_tools_agent |
| OpenAI functions | Chat | √ | √ | x | functions | 使用Op0nAl函数集合的代理。已弃用转而使用OpenAI tools | create_openai_functions_agent |
| XML Agent | LLM | √ | x | x | 某些语言模型（例如 Anthropic 的 Claude）特别擅长推理/编写 XML。 | create_xml_agent | |
| Structured chat | Chat | √ | √ | x | 使用结构化工具集的代理 | create_structured_chat_agent | |
| JSON Chat Agent | Chat | √ | x | x | 代理使用 JSON 来格式化其输出，旨在支持聊天模型。 | create_json_chat_agent | |
| ReAct | LLM | √ | x | x | 推理和执行，推理后决定调用工具或者根据工具返回结果确定完成任务 | create_react_agent | |
| Self-ask with search | LLM | x | x | x | 通过追问和中间答案，引导发现最终答案 | create_self_ask_with_search_agent |
Agent的基本使用
构建一个具有两种工具的代理：一种用于在线查找，另一种用于查找加载到索引中的特定数据。
准备操作
在LangChain中有一个内置的工具，可以方便地使用Tavily搜索引擎作为工具。
访问[Tavily]（用于在线搜索）注册账号并登录，获取API 密钥
设置OpenAI和TAVILY的API密钥
import os
os.environ["OPENAI_BASE_URL"] = "https://xxx.com/v1"
os.environ["OPENAI_API_KEY"] = "sk-BGFnOL9Q4c99B378Bxxxxxxxxxxxxxxxx13bc437B82c2"
os.environ["TAVILY_API_KEY"] = 'tvly-Scx77cTxxxxxxxxxxxxx3rmxRIM8'
定义工具
首先需要创建想要使用的工具。这里使用两个工具：
Tavily（用于在线搜索）
创建的本地索引的检索器
1.Tavily在线搜索
# 加载所需的库
from langchain_community.tools.tavily_search import TavilySearchResults
# 查询 Tavily 搜索 API 并返回 json 的工具
search = TavilySearchResults()
# 执行查询
res = search.invoke("目前市场上苹果手机15的平均售价是多少？")
print(res)
执行查询结果如下： 
2.创建检索器
根据上述查询结果中的某个URL中，获取一些数据创建一个检索器。
这里使用一个简单的本地向量库FAISS，使用FAISS的CPU版本，需要安装FAISS库：
pip install faiss-cpu
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
# 加载HTML内容为一个文档对象
loader = WebBaseLoader("https://www.ithome.com/0/718/713.htm")
docs = loader.load()
# 分割文档
documents = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200).split_documents(docs)
# 向量化
vector = FAISS.from_documents(documents, OpenAIEmbeddings())
# 创建检索器
retriever = vector.as_retriever()
# 测试检索结果
print(retriever.get_relevant_documents("iPhone 15平均销售价格是多少？")[1])
检索结果如下： 
3.得到工具列表
from langchain.tools.retriever import create_retriever_tool
# 创建一个工具来检索文档
retriever_tool = create_retriever_tool(
retriever,
"iPhone_price_search",
"搜索有关 iPhone 15 的价格信息。对于iPhone 15的任何问题，您必须使用此工具！",
)
# 创建将在下游使用的工具列表
tools = [search, retriever_tool]
初始化大模型
选择将驱动代理的LLM，为了模型回答更严谨，设置temperature=0
from langchain_openai import ChatOpenAI
# 初始化大模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
创建Agent
这里使用LangChain中一个叫OpenAI functions的代理，然后得到一个AgentExecutor代理执行器。
AgentExecutor是代理执行器，它实际上调用代理，执行其选择的操作，将操作输出传回代理，然后重复。
from langchain import hub
# 获取要使用的提示
prompt = hub.pull("hwchase17/openai-functions-agent")
# 打印Prompt
print(prompt)
# 使用OpenAI functions代理
from langchain.agents import create_openai_functions_agent
# 构建OpenAI函数代理：使用 LLM、提示模板和工具来初始化代理
agent = create_openai_functions_agent(llm, tools, prompt)
from langchain.agents import AgentExecutor
# 将代理与AgentExecutor工具结合起来
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
运行Agent
注意：目前这些都是无状态查询
# 执行代理
agent_executor.invoke({"input": "目前市场上苹果手机15的平均售价是多少？如果我在此基础上加价5%卖出，应该如何定价？?"})
执行部分日志记录如下：
> Entering new AgentExecutor chain...
Invoking: `iPhone_price_search` with `{'query': 'iPhone 15 average selling price'}`
苹果 iPhone 15/Pro系列国行价格出炉，5999 元起 - IT之家
根据搜索结果，苹果 iPhone 15 系列的国行价格从 5999 元起售。如果您想在此基础上加价5%，您可以按照以下方式定价：
- iPhone 15：5999 元 + 5% = 6298.95 元
- iPhone 15 Plus：6999 元 + 5% = 7348.95 元
- iPhone 15 Pro：7999 元 + 5% = 8398.95 元
- iPhone 15 Pro Max：9999 元 + 5% = 10498.95 元
您可以根据以上价格定价出售您的苹果手机 15 系列产品。希望这可以帮助到您！
> Finished chain.
添加记忆
目前代理是无状态的，这意味着它不记得以前的交互。为了给它记忆，需要传入chat_history。
注意：
chat_history是正在使用提示符中的一个变量，因此需要调用它。如果使用不同的提示，可能需要更改变量名称
具体Prompt提示模板内容如下： 
记忆测试：
# 加载所需的库
from langchain_community.tools.tavily_search import TavilySearchResults
# 查询 Tavily 搜索 API 并返回 json 的工具
search = TavilySearchResults()
# 创建将在下游使用的工具列表
tools = [search]
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
from langchain import hub
# 获取要使用的提示
prompt = hub.pull("hwchase17/openai-functions-agent")
# 使用OpenAI functions代理
from langchain.agents import create_openai_functions_agent
# 创建使用 OpenAI 函数调用的代理
agent = create_openai_functions_agent(llm, tools, prompt)
from langchain.agents import AgentExecutor
# 得到代理工具执行器
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 执行代理
# 传入一个空的消息列表给chat_history，因为它是聊天中的第一条消息
res = agent_executor.invoke({"input": "hi! my name is bob", "chat_history": []})
print(res)
from langchain_core.messages import AIMessage, HumanMessage
agent_executor.invoke(
{
"chat_history": [
HumanMessage(content=res['input']),
AIMessage(content=res['output']),
],
"input": "what's my name?",
}
)
执行日志如下，代理明显有了记忆
> Entering new AgentExecutor chain...
Hello Bob! How can I assist you today?
> Finished chain.
{'input': 'hi! my name is bob', 'chat_history': [], 'output': 'Hello Bob! How can I assist you today?'}
> Entering new AgentExecutor chain...
Your name is Bob! How can I assist you today, Bob?
> Finished chain.
自动跟踪这些消息，可以将其包装在RunnableWithMessageHistory中
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory
message_history = ChatMessageHistory()
agent_with_chat_history = RunnableWithMessageHistory(
agent_executor,
lambda session_id: message_history,
input_messages_key="input",
history_messages_key="chat_history",
)
agent_with_chat_history.invoke(
{"input": "hi! I'm bob"},
config={"configurable": {"session_id": "<foo>"}},
)
agent_with_chat_history.invoke(
{"input": "what's my name?"},
config={"configurable": {"session_id": "<foo>"}},
)
执行日志如下：
> Entering new AgentExecutor chain...
Hello Bob! How can I assist you today?
> Finished chain.
> Entering new AgentExecutor chain...
Your name is Bob! How can I assist you, Bob?
> Finished chain.
那么，我们该如何学习大模型？
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。
一、大模型全套的学习路线
学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。
L1级别:AI大模型时代的华丽登场
L2级别：AI大模型API应用开发工程
L3级别：大模型应用架构进阶实践
L4级别：大模型微调与私有化部署
一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。
以上的AI大模型学习路线，不知道为什么发出来就有点糊，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
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、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。
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
5713
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
