TavilySearchResults和AgentExecutor的使用

hehui0921

已于 2024-02-22 19:50:51 修改

阅读量1.4k

点赞数 1

分类专栏： LangChain 文章标签： python 前端开发语言

于 2024-02-22 18:13:40 首次发布

本文链接：https://blog.csdn.net/oHeHui1/article/details/136240658

版权

LangChain 专栏收录该内容

59 篇文章

订阅专栏

文章介绍了如何使用ChatGLM库在Python环境中创建一个反应式代理，通过LLMChain和Tongyi进行交互，并利用TavilySearch和SerpAPI进行搜索，以获取关于特定问题的答案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

以下llm使用的是ChatGLM。目前测试tongyi是报错的。

# !pip install -U langchain
# !pip install -U langchainhub
# !pip install -U langchain_openai
# !pip install -U dashscope

from langchain.chains import LLMChain
from langchain_community.llms import Tongyi
from langchain_community.tools.tavily_search import TavilySearchResults

import ChatGLM
from langchain.agents import AgentExecutor, create_structured_chat_agent, load_tools, create_react_agent

from langchain import hub
import os
from langchain.prompts import PromptTemplate
os.environ["DASHSCOPE_API_KEY"] = "sk-cc1c8314fdbd43ceaf26ec1824d5dd3b"
os.environ["SERPAPI_API_KEY"] = "9675cecd56acf05b5a881e6241b01dfd15aaf194"
os.environ["TAVILY_API_KEY"] = "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"

from langchain_community.utilities import SerpAPIWrapper
from langchain_community.tools import DuckDuckGoSearchRun
llm = ChatGLM.ChatGLM_LLM()
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
search = TavilySearchResults()
tools = [search]
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent, tools=tools,verbose=True
)
output = agent_executor.invoke({"input": "2023年底中国大陆上映了哪些电影"})
print(output["output"])