[轻松构建智能代理：使用LLM和搜索引擎实现动态交互]

aehrutktrjk

于 2024-10-03 15:28:24 发布

阅读量129

点赞数 2

文章标签：搜索引擎交互 python

本文链接：https://blog.csdn.net/aehrutktrjk/article/details/142692388

版权

轻松构建智能代理：使用LLM和搜索引擎实现动态交互

引言

在人工智能领域，代理（Agent）是一种使用语言模型（LLM）作为推理引擎的系统。它们能够根据任务需求决定采取哪些行动并传递相应输入。这篇文章将指导你如何构建一个可以与搜索引擎交互的智能代理。通过实现这个代理，用户可以提问并观察其调用搜索工具的过程。

主要内容

1. 代理的概念

代理使用LLM作为核心，通过调用特定的工具，如搜索引擎，来完成任务。在这个过程中，代理会根据工具的结果判断是否需要进一步的动作。

2. 设置和安装

在开始构建代理之前，请确保安装好以下库：

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

如果你还没有设置好Jupyter Notebook，请参考 Jupyter安装指南。

3. 定义工具

我们将在这里使用Tavily作为搜索引擎工具。设置如下：

from langchain_community.tools.tavily_search import TavilySearchResults

search = TavilySearchResults(max_results=2)

4. 创建语言模型

选择一个适合你的语言模型，并设置相应的API密钥。

from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(model_name="claude-3-sonnet-20240229")

如某些地区的网络限制，建议使用API代理服务以提高访问稳定性。

5. 构建代理

使用LangGraph创建反应代理：

from langgraph.prebuilt import create_react_agent

tools = [search]
agent_executor = create_react_agent(model, tools)

代码示例

以下是一个完整的代理执行示例，可以回答关于天气的问题：

from langchain_core.messages import HumanMessage

response = agent_executor.stream({"messages": [HumanMessage(content="What's the weather in SF?")]}, config={"configurable": {"thread_id": "abc123"}})

for chunk in response:
    print(chunk)
    print("----")

常见问题和解决方案

网络访问问题

由于网络限制，有时你可能无法直接访问某些API。解决方案是使用API代理服务。

代理记忆功能

代理默认是无状态的。如果需要记忆功能，请传递一个检查点：

from langgraph.checkpoint.sqlite import SqliteSaver

memory = SqliteSaver.from_conn_string(":memory:")
agent_executor = create_react_agent(model, tools, checkpointer=memory)