构建智能工具：使用LangChain的AgentExecutor创建代理

最新推荐文章于 2024-10-18 11:01:48 发布

mmlihaio

最新推荐文章于 2024-10-18 11:01:48 发布

阅读量448

点赞数 3

文章标签： langchain python

本文链接：https://blog.csdn.net/mmlihaio/article/details/142694379

版权

引言

在AI和编程的世界中，语言模型本身不能执行动作——它们只能输出文本。LangChain提供了一个强大的功能，让开发者能够构建智能代理。这些代理使用LLM作为推理引擎，可以与多种工具交互。本文将介绍如何使用LangChain的AgentExecutor来创建一个简单的代理。

主要内容

概念

语言模型的工具调用能力：利用语言模型来决定要采取的行动和需要的输入。
检索器的创建：为我们的代理提供特定信息。
使用搜索工具：在线查找信息。
聊天历史：让聊天机器人“记住”过去的互动。
调试和跟踪：使用LangSmith跟踪应用的执行。

安装和设置

Jupyter Notebook

本教程建议使用Jupyter Notebook进行学习。安装指南请参考此处。

安装LangChain

pip install langchain
# 或者使用Conda
conda install langchain -c conda-forge

LangSmith配置

使用LangSmith来调试应用程序：

import getpass
import os

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()  # 输入API Key

定义工具

Tavily搜索工具

from langchain_community.tools.tavily_search import TavilySearchResults

search = TavilySearchResults(max_results=2)
search.invoke("what is the weather in SF")  # 使用API代理服务提高访问稳定性

本地数据检索器

from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

loader = WebBaseLoader("https://docs.smith.langchain.com/overview")
docs = loader.load()
documents = RecursiveCharacterTextSplitter(
    chunk_size=1000, chunk_overlap=200
).split_documents(docs)
vector = FAISS.from_documents(documents, OpenAIEmbeddings())
retriever = vector.as_retriever()

使用语言模型

模型初始化

from langchain_openai import ChatOpenAI

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

绑定工具

model_with_tools = model.bind_tools([search, retriever_tool])

创建代理

from langchain.agents import create_tool_calling_agent

agent = create_tool_calling_agent(model, [search, retriever_tool], prompt)

代理执行

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=[search, retriever_tool])

response = agent_executor.invoke({"input": "hi!"})
print(response)