什么是Agent
在日常生活中,不难发现,chatgpt通过文本输入进行处理后返回的也是文本内容,就像是一个只有头的人,能听能思考能说话,但是无法行动.而Agent是一种能够自主决策、采取行动以达到某种目标的实体。被解释为"智能体"或者"代理".
代理的核心思想是通过大模型来选择要采取的一系列行动.在常规结构下,一系列行动都是硬编码,是已规定好的行为路线,而在代理中,是用大模型作为推理引擎来确定并采取行动的.通俗的讲就是给大模型配备工具,让大模型自己去判断在当前场景需要使用什么工具.
代理的效果与模型的智慧程度有关,大模型的训练集越大,代理的效果越好,差的模型进行代理会陷入某一个自问自答而死循环,好的模型会进行自我验证,验证这个答案是否与最初的问题相关,不相关进行修正.
举个例子:
链式结构下,我会拿着螺丝刀去拧螺丝,拿着钥匙开锁,拿着斧头砍木头.我不会选择工具,而是按照规划的路线行动.
代理情况下,我有螺丝刀,钥匙,斧头等工具,我遇到了一颗螺丝,我会用螺丝刀去拧螺丝. 遇到了一把锁,我会用钥匙去开锁,遇到了木头,我会用斧头去砍木头.在不同的场景或者问题下会进行推理选择.
总而言之:Agent= LLM(思考决策)+ memory(记忆)+ tools(执行)
langchain中代理的关键组成
- Agent代理
- llm大模型
- Tool工具
- prompt提示词
- Toolkit工具包
- AgentExecutor代理执行器
代理的类型
- Zero-shot ReAct:利用工具的描述来决定使用哪个工具,可以有多个工具,每个工具都要提供描述信息。选择单纯依靠描述信息
- Structured Input ReAct:通过工具的参数schema创建结构化的动作输入
- Open AI Functions:与openai function call机制配合工作
- Conversational:为对话场景设计,使用具有对话性提示词,利用ReAct框架选择工具,并利用记忆功能来保存对话历史
- Self ask with seach:利用工具查找事实性答案
Tool
代理调用的功能,相当于手的部分,与外部世界交互 ,LangChain
提供了一系列工具,比如 Search
工具,AWS
工具,Wikipedia
工具等。这些工具都是 BaseTool
的子类。通过调用 run
函数,执行工具的功能。
如何创建工具
- 加载langchain内置的工具
from langchain.tools import load_tools
tools = load_tools(["serpapi"],llm=llm)#谷歌的搜索引擎
- 通过tool装饰器,自定义工具,在函数中需要描述这个工具
from langchain.agents import tool
@tool
def serpapi_search(query:str)->str:
'''使用serpapi搜索引擎获取搜索结果'''
from serpapi import GoogleSearch
params = {
"q": query,
"api_key": "serpapi-api-key"
}
search = GoogleSearch(params)
results = search.get_dict()
return results['organic_results'][0]['snippet']
tools = [serpapi_search]
Toolkit
工具包,一组工具的集合,tools = [serpapi_search]
和tools = load_tools(["serpapi"],llm=llm)
都是工具包.
AgentExecutor
代理执行器是代理执行时,由它来选择并执行其他选择的动作。
- 处理代理选择不存在的工具的情况
- 处理工具发生错误的情况
- 处理代理生成无法解析为工具调用的输出的情况
- 在所有级别上记录和可观察性(代理决策,工具调用)
思考的过程
- Action:就是根据用户的输入,选用哪个Tool,然后行动
- Action Input:根据需要使用的Tool,从用户的输入里提取相关的内容,可以输入到Tool里面
- Observation:就是观察通过使用 Tool 得到的一个输出结果。稳定版本之前有展示,稳定版本之后就没有了,但是步骤仍然存在
- Thought:就是再看一眼用户的输入,判断一下该怎么做,同样是稳定版本之前有展示,稳定版本之后就没有了,仍然存在
- Final Answer:就是 Thought 在看到 Obersavation 之后,给出的最终输出,
创建一个代理
这里来创建一个react代理,给他配备一个谷歌的搜索引擎,让他能去搜索网络上的内容,但是他对中文不友好,用Translator
翻译翻译.还配备了一个运算工具,看看他是否在不同情景下能推理并且选择工具
# 代理模块,用于调用openai的模型进行对话并执行操作
import os
from dotenv import find_dotenv, load_dotenv
load_dotenv(find_dotenv())
os.environ["OPENAI_API_BASE"]
os.environ["OPENAI_API_KEY"]
os.environ["SERPAPI_API_KEY"]
from langchain_openai import ChatOpenAI
#引入集成的工具,包含langchain中内置的各种工具。官方文档中查找
from langchain.agents import create_react_agent,AgentExecutor,tool
#引入hub模块,用于调用hub中的模型
from langchain import hub
#引入工具加载器,用于加载工具
from langchain.tools import load_tools
#引入翻译工具
from translate import Translator
#实例化一个大模型
llm=ChatOpenAI(temperature=0, model="gpt-3.5-turbo")
#从hub中拉取模型
prompt = hub.pull("hwchase17/react")
#创建工具
#搜索引擎
@tool
def serpapi_search(query:str)->str:
'''使用serpapi搜索引擎获取搜索结果'''#工具描述
from serpapi import GoogleSearch
params = {
"q": query,
"api_key": os.getenv("SERPAPI_API_KEY")
}
search = GoogleSearch(params)
results = search.get_dict()
return results['organic_results'][0]['snippet']
#运算工具
@tool
def calculate(expression:str)->str:
'''计算表达式'''
return str(eval(expression))
# tools = load_tools(["serpapi"],llm=llm)#加载内置工具
tools=[serpapi_search,calculate]#工具包
#创建agent
agent=create_react_agent(
llm,
tools,
prompt,
)
#代理执行器
agent_executor=AgentExecutor(agent=agent,
tools=tools,#工具包
verbose=True,#执行的详细过程
)
def agent_invoke(huamn_input:str):
text=agent_executor.invoke({"input":huamn_input})
res=Translator(from_lang="en",to_lang="zh").translate(text['output'])
return res
if __name__ == "__main__":
text=input()
print(agent_invoke(text))
.env文件内容为:
# 代理地址
OPENAI_API_BASE = ""
# 代理密钥
OPENAI_API_KEY = ""
#谷歌引擎
SERPAPI_API_KEY=""
搜索一下最近发生的事儿,看看结果:
搜索一下时事 再来一个 来个简单的计算题 根据问题情景,大模型能够进行推理选择工具,关于时事的它能够选择搜索工具进行搜索,关于计算的问题,它能够选择运算工具进行回答,也回答正确了.并且我在问题中没有提示他该选择什么工具.
总结
代理就是让大模型具备了行动的能力,大模型不仅仅局限于进行文本回答,在回答的同时还能进行一系列行动.openai的chatgpt把agent推向了一个新的高度,使得agent更接近于一个’智能体’.通过各种工具将大模型武装起来,或许这个工具,不仅仅是软件也可以是硬件,将大模型与嵌入式结合或许能做成一个能思考能行动的智能机器人,或许在不久的将来,私人AI助理-贾维斯就可以变成现实.
大模型&AI产品经理如何学习
求大家的点赞和收藏,我花2万买的大模型学习资料免费共享给你们,来看看有哪些东西。
1.学习路线图
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
2.视频教程
网上虽然也有很多的学习资源,但基本上都残缺不全的,这是我自己整理的大模型视频教程,上面路线图的每一个知识点,我都有配套的视频讲解。
(都打包成一块的了,不能一一展开,总共300多集)
因篇幅有限,仅展示部分资料,需要点击下方图片前往获取
3.技术文档和电子书
这里主要整理了大模型相关PDF书籍、行业报告、文档,有几百本,都是目前行业最新的。
4.LLM面试题和面经合集
这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓