LangChain教程 - 创建智能代理

系列文章索引
LangChain教程 - 系列文章

在本教程中，我们将学习如何使用 LangChain 创建一个能够与搜索引擎交互的智能代理。代理可以通过大语言模型（LLM）作为推理引擎来确定执行的操作和输入，执行这些操作后，再将结果反馈到 LLM 以决定是否需要继续操作或结束对话。

前提条件

本教程假设你已经熟悉以下概念：

• 聊天模型（Chat Models）
• 工具（Tools）
• 代理（Agents）

语言模型本身不能直接执行操作，它们只能生成文本。LangChain 的一个重要用例就是创建代理，代理系统能够使用 LLM 进行推理，确定执行哪些操作以及传递什么输入。然后根据操作结果，代理可以继续决定下一步的动作或结束任务。

最终效果预览

下面的代码段展示了一个完整的代理，它使用 LLM 来决定调用哪些工具，并具备与搜索引擎交互的能力。这是一个多轮对话代理，它还带有对话记忆。

# 导入所需模块
from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import HumanMessage
from langgraph.checkpoint.memory import MemorySaver
from langgraph.prebuilt import create_react_agent
import getpass
import os

# 设置 Tavily API 密钥
os.environ["TAVILY_API_KEY"] = getpass.getpass(prompt="请输入 Tavily API Key: ")

# 设置语言模型 API 密钥
os.environ["OPENAI_API_KEY"] = getpass.getpass(prompt="请输入 OpenAI API Key: ")

# 创建代理
memory = MemorySaver()
model = ChatOpenAI(model="gpt-4")
search = TavilySearchResults(max_results=2)
tools = [search]
agent_executor = create_react_agent(model, tools, checkpointer=memory)

# 使用代理
config = {"configurable": {"thread_id": "abc123"}}
for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="你好，我是Bob，住在旧金山")]}, config
):
    print(chunk)
    print("----")

for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="我住的地方现在天气怎么样？")]}, config
):
    print(chunk)
    print("----")

通过上面的代码，你可以使用一个与搜索引擎互动的代理来回答关于天气的问题，并且代理具备记忆对话内容的能力。

安装依赖

为了安装所需的依赖，可以运行以下命令：

pip install -U langchain-community langgraph langchain-anthropic tavily-python langgraph-checkpoint-sqlite langchain-openai

设置 Tavily 搜索工具

我们将在代理中使用 Tavily 作为搜索引擎工具。首先需要获取 API 密钥并设置环境变量：

import getpass
import os

os.environ["TAVILY_API_KEY"] = getpass.getpass()

接着，我们可以定义搜索工具：

from langchain_community.tools.tavily_search import TavilySearchResults

search = TavilySearchResults(max_results=2)
search_results = search.invoke("旧金山的天气怎么样")
print(search_results)

使用语言模型

接下来，我们将配置语言模型来调用这些工具。这里使用的是 ChatOpenAI 提供的 gpt-4 作为语言模型。

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage

model = ChatOpenAI(model="gpt-4")

response = model.invoke([HumanMessage(content="你好!")])
print(response.content)

可以看到，模型返回了简单的对话内容。接下来，我们将模型与工具结合，使其能够调用 Tavily 搜索工具。

model_with_tools = model.bind_tools([search])

response = model_with_tools.invoke([HumanMessage(content="旧金山的天气怎么样？")])
print(response.content)
print(response.tool_calls)

在这里，模型会识别需要调用工具并生成相应的工具调用指令。

创建代理

现在，我们可以使用 LangGraph 来构建这个代理，并结合语言模型和工具：

from langgraph.prebuilt import create_react_agent

agent_executor = create_react_agent(model, [search])

我们现在可以通过代理执行一系列查询，并且代理会根据需要调用工具：

response = agent_executor.invoke({"messages": [HumanMessage(content="旧金山的天气怎么样？")]})
print(response["messages"])

代理会根据输入自动判断是否需要调用搜索工具，并返回搜索结果。

实现记忆功能

默认情况下，代理是无状态的（不记得之前的对话）。为了使代理具备记忆能力，我们可以为其添加记忆模块。通过传入 MemorySaver，代理可以记住对话内容：

from langgraph.checkpoint.memory import MemorySaver

memory = MemorySaver()
agent_executor = create_react_agent(model, [search], checkpointer=memory)

config = {"configurable": {"thread_id": "abc123"}}
response = agent_executor.invoke({"messages": [HumanMessage(content="我叫Bob")], config=config})
print(response["messages"])

代理现在可以记住之前的对话内容，并在后续查询中使用这些记忆。

整体代码

# 导入所需的库
from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import HumanMessage
from langgraph.checkpoint.memory import MemorySaver
from langgraph.prebuilt import create_react_agent
import getpass
import os

# 设置 Tavily API 密钥
os.environ["TAVILY_API_KEY"] = getpass.getpass(prompt="请输入 Tavily API Key: ")

# 设置语言模型 API 密钥
os.environ["OPENAI_API_KEY"] = getpass.getpass(prompt="请输入 OpenAI API Key: ")

# 初始化记忆模块
memory = MemorySaver()

# 初始化语言模型 (gpt-4)
model = ChatOpenAI(model="gpt-4")

# 初始化 Tavily 搜索工具
search = TavilySearchResults(max_results=2)

# 将工具和模型结合，创建代理
tools = [search]
agent_executor = create_react_agent(model, tools, checkpointer=memory)

# 定义对话配置，使用线程 ID 来区分不同的对话上下文
config = {"configurable": {"thread_id": "abc123"}}

# 第一次对话：问候并告诉代理你的名字
for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="你好，我叫Bob，我住在旧金山")]}, config
):
    print(chunk)
    print("----")

# 第二次对话：询问代理关于当前所在地的天气
for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="我住的地方现在天气怎么样？")]}, config
):
    print(chunk)
    print("----")

# 第三次对话：测试代理是否记得你的名字
for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="你还记得我叫什么吗？")]}, config
):
    print(chunk)
    print("----")

# 开启一个新的对话上下文（新线程），验证代理是否不记得以前的对话
new_config = {"configurable": {"thread_id": "xyz123"}}
for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="你知道我叫什么吗？")]}, new_config
):
    print(chunk)
    print("----")

结论

通过本教程，我们展示了如何使用 LangChain 构建一个具备工具调用和记忆功能的智能代理。代理可以根据输入的内容自动调用工具，并在需要时记住对话内容。这为构建复杂、多轮对话的智能系统提供了灵活的基础。

如果你想进一步了解代理的高级用法和功能，请查阅 LangGraph 文档，那里有更多教程和深入指南。