[构建智能代理：打造互动搜索助手的完整指南]-CSDN博客

本文链接：https://blog.csdn.net/bhawfgrcbtwny/article/details/143223541

引言

在当今快速发展的人工智能领域，智能代理的构建成为了一个热门话题。智能代理是利用大型语言模型（LLMs）作为推理引擎，决定执行哪些操作并传递输入的系统。在本教程中，我们将学习如何构建一个能够与搜索引擎互动的智能代理。你将能够与该代理进行对话，并观察它调用搜索工具的过程。

主要内容

1. 准备知识

构建智能代理需要你对以下概念有所了解：

聊天模型
工具
智能代理

2. 安装和设置

安装Jupyter Notebook

Jupyter Notebook是交互学习如何使用LLM系统的完美环境。你可以在这里找到安装指南。

安装相关库

执行下面命令安装必要的软件包：

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

设置环境变量

使用LangSmith进行跟踪：

import getpass
import os

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangChain API key: ")

获取并设置Tavily的API密钥：

os.environ["TAVILY_API_KEY"] = getpass.getpass("Enter your Tavily API key: ")

3. 定义工具

我们将使用Tavily作为我们的搜索工具：

from langchain_community.tools.tavily_search import TavilySearchResults

search = TavilySearchResults(max_results=2)
tools = [search]

4. 使用语言模型

选择并配置你的语言模型：

from langchain_anthropic import ChatAnthropic

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

将工具绑定到语言模型：

model_with_tools = model.bind_tools(tools)

5. 创建代理

通过LangGraph创建代理：

from langgraph.prebuilt import create_react_agent

agent_executor = create_react_agent(model, tools)

代码示例

下面的代码展示了如何使用智能代理进行交互：

from langchain_core.messages import HumanMessage

config = {"configurable": {"thread_id": "abc123"}}
for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="hi im bob! and i live in sf")]}, config
):
    print(chunk)
    print("----")

for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="whats the weather where I live?")]}, config
):
    print(chunk)
    print("----")