[用LangChain创建智能搜索代理：一步步指南]

最新推荐文章于 2024-12-10 17:34:17 发布

mmlihaio

最新推荐文章于 2024-12-10 17:34:17 发布

阅读量633

点赞数 5

CC 4.0 BY-SA版权

文章标签： langchain python

本文链接：https://blog.csdn.net/mmlihaio/article/details/142533566

用LangChain创建智能搜索代理：一步步指南

欢迎阅读本篇文章！我们将带你深入了解如何使用LangChain构建一个能够与搜索引擎交互的智能代理。这个代理不仅能回答问题，还能进行多回合的对话。我们将提供代码示例，讨论常见的问题和解决方案，并推荐进一步的学习资源。

引言

现代的语言模型虽然强大，但它们本身无法执行动作。LangChain正是通过将语言模型作为推理引擎，来决定采取哪些动作和输入，从而搭建代理系统。在本文中，我们将步步深入，教你如何创建一个能够与搜索引擎互动的智能代理。

主要内容

1. 环境准备

首先，确保你对以下概念有一定的了解：

聊天模型：用于生成自然语言对话。
工具：可以帮助模型获取信息或执行操作的组件。
代理：使用LLM执行任务的系统。

2. 安装

在开始之前，请确保已安装必要的软件包：

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

3. 使用LangChain定义工具

在LangChain中，我们使用Tavily作为搜索工具：

from langchain_community.tools.tavily_search import TavilySearchResults

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

4. 创建语言模型

LangChain支持多种语言模型，这里我们使用Anthropic：

from langchain_anthropic import ChatAnthropic

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

5. 构建代理

接下来，我们将语言模型和工具结合，创建一个智能代理：

from langgraph.prebuilt import create_react_agent

agent_executor = create_react_agent(model, tools)

代码示例

下面是一个完整示例，演示如何使用代理获取旧金山的天气信息：

# 设置记忆
from langgraph.checkpoint.sqlite import SqliteSaver

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

config = {"configurable": {"thread_id": "abc123"}}

# 使用代理问候并获取天气
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("----")