【LangChain】在创建 Agent 时 initialize_agent 函数中通过 agent 指定的 AgentType 有哪些？-CSDN博客

本文链接：https://blog.csdn.net/u013172930/article/details/147645558

在 LangChain 中，initialize_agent 函数用于创建代理（Agent），其中 agent 参数通过指定 AgentType 来定义代理的类型。AgentType 枚举了 LangChain 支持的代理类型，每种类型对应不同的代理行为和提示策略。尽管 initialize_agent 在 LangChain 0.3.x 中已被标记为不推荐（建议使用 LangGraph），但它仍然可用，且 AgentType 定义了其支持的代理类型。本文基于 LangChain 0.3.x，详细列出 AgentType 的所有可能值及其用途，并提供相关代码示例。

`AgentType` 概述

AgentType 是一个枚举类，位于 langchain.agents 模块中，用于指定代理的行为模式。不同的 AgentType 对应不同的提示模板和推理策略，适用于不同的工具调用和任务场景。以下是 LangChain 0.3.x 中 AgentType 的所有可能值及其描述。

可用的 `AgentType` 值

根据 LangChain 0.3.x 的源代码和文档（langchain.agents.AgentType），以下是所有 AgentType 枚举值：

ZERO_SHOT_REACT_DESCRIPTION
- 描述：基于 ReAct（Reasoning + Acting）框架的零样本代理，仅依赖工具描述进行推理和行动，无需示例。
- 适用场景：通用工具调用任务，适合快速构建无需训练数据的代理。
- 提示策略：生成包含工具描述的提示，代理通过推理选择工具并执行。
- 工具支持：支持任意数量的工具。
REACT_DOCSTORE
- 描述：专为文档存储（Docstore）设计的 ReAct 代理，结合搜索和查找工具处理文档相关任务。
- 适用场景：需要从文档库中检索信息的任务，如问答系统。
- 提示策略：提示包含搜索和查找工具的描述，代理通过 ReAct 逻辑处理文档查询。
- 工具支持：通常与 Search 和 Lookup 工具配合。
SELF_ASK_WITH_SEARCH
- 描述：自问自答代理，通过搜索工具回答复杂问题，逐步分解问题并查找答案。
- 适用场景：需要外部知识（如网络搜索）的问答任务。
- 提示策略：提示引导代理提出子问题，调用搜索工具获取答案。
- 工具支持：通常需要一个搜索工具（如 Google 搜索 API）。
CONVERSATIONAL_REACT_DESCRIPTION
- 描述：对话型 ReAct 代理，结合对话历史和工具调用，适合交互式对话场景。
- 适用场景：需要维护对话上下文并调用工具的聊天机器人。
- 提示策略：提示包含对话历史和工具描述，代理在对话中推理和行动。
- 工具支持：支持任意工具，强调对话流畅性。
CHAT_ZERO_SHOT_REACT_DESCRIPTION
- 描述：为聊天模型优化的零样本 ReAct 代理，使用消息格式提示，适合现代聊天模型（如 gpt-4o）。
- 适用场景：与聊天模型结合的工具调用任务，注重消息格式。
- 提示策略：使用系统消息和用户消息，包含工具描述，代理通过 ReAct 逻辑行动。
- 工具支持：支持工具调用，兼容现代模型的工具调用 API。
CHAT_CONVERSATIONAL_REACT_DESCRIPTION
- 描述：为聊天模型优化的对话型 ReAct 代理，结合对话历史和工具调用。
- 适用场景：需要对话上下文和工具调用的交互式聊天场景。
- 提示策略：提示包含对话历史、系统消息和工具描述，代理在对话中推理。
- 工具支持：支持任意工具，强调对话连续性。
STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION
- 描述：为结构化工具调用优化的零样本 ReAct 代理，支持多输入工具（Structured Tools）。
- 适用场景：需要调用复杂工具（多参数或 schema 定义）的任务。
- 提示策略：提示包含工具的结构化描述，代理通过 ReAct 逻辑选择和调用工具。
- 工具支持：专为 StructuredTool 或复杂工具 schema 设计。
OPENAI_FUNCTIONS（已废弃）
- 描述：专为 OpenAI 函数调用（Function Calling）设计的代理，使用 OpenAI 的原生函数调用 API。
- 适用场景：早期 OpenAI 模型（如 gpt-3.5-turbo）的函数调用任务。
- 提示策略：直接利用 OpenAI 的函数调用接口，无需复杂提示。
- 工具支持：支持 OpenAI 函数格式的工具。
- 注意：在 LangChain 0.3.x 中已标记为不推荐，建议使用 CHAT_ZERO_SHOT_REACT_DESCRIPTION 或 LangGraph。
OPENAI_MULTI_FUNCTIONS（已废弃）
- 描述：类似 OPENAI_FUNCTIONS，但支持同时调用多个函数。
- 适用场景：需要批量函数调用的场景。
- 提示策略：与 OPENAI_FUNCTIONS 类似，依赖 OpenAI 函数调用 API。
- 工具支持：支持多函数调用。
- 注意：同样不推荐，建议迁移到现代工具调用代理。

如何选择 `AgentType`？

选择 AgentType 取决于你的任务需求和模型类型：

简单工具调用：使用 ZERO_SHOT_REACT_DESCRIPTION（通用）或 CHAT_ZERO_SHOT_REACT_DESCRIPTION（聊天模型）。
对话场景：使用 CONVERSATIONAL_REACT_DESCRIPTION 或 CHAT_CONVERSATIONAL_REACT_DESCRIPTION。
复杂工具：使用 STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION。
文档检索：使用 REACT_DOCSTORE。
搜索驱动：使用 SELF_ASK_WITH_SEARCH。
OpenAI 函数调用：避免使用 OPENAI_FUNCTIONS 或 OPENAI_MULTI_FUNCTIONS，改用 CHAT_ZERO_SHOT_REACT_DESCRIPTION。

代码示例

以下是一个使用 initialize_agent 和 CHAT_ZERO_SHOT_REACT_DESCRIPTION 的示例，展示如何创建代理并调用工具。同时，我会指出迁移到 LangGraph 的建议。

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain.agents import initialize_agent, AgentType
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool

# 定义工具
@tool
def search_web(query: str) -> str:
    """搜索网络以获取信息。"""
    return f"搜索 {query} 的结果：[示例内容]"

tools = [search_web]

# 初始化 LLM
llm = ChatOpenAI(temperature=0, model="gpt-4o-mini")

# 初始化代理
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 调用代理
response = agent.invoke({"input": "成都的天气如何？"})
print(response["output"])

输出示例：

[代理使用 search_web 工具] 成都的天气是晴天，最高气温 28°C。

代码说明

OpenAI API 密钥：
- 通过 os.environ["OPENAI_API_KEY"] 设置，确保 OpenAI 模型正常调用。
- 将 "Your OpenAI API Key" 替换为你的实际密钥。
工具：
- 使用 @tool 装饰器定义 search_web，兼容现代工具调用。
LLM：
- 使用 langchain_openai.ChatOpenAI，选择 gpt-4o-mini 支持工具调用。
代理：
- 设置 agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION，适合聊天模型的零样本工具调用。
- verbose=True 显示代理推理过程。
调用：
- 使用 invoke 方法（推荐），输入为字典 {"input": "..."}。
- 输出为字典，访问 response["output"] 获取结果。

迁移到 LangGraph 的建议

initialize_agent 已被标记为不推荐，建议迁移到 LangGraph，因为它更灵活，支持状态持久化、复杂工作流和现代工具调用。以下是使用 LangGraph 的等效代码：

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent

# 定义工具
@tool
def search_web(query: str) -> str:
    """搜索网络以获取信息。"""
    return f"搜索 {query} 的结果：[示例内容]"

tools = [search_web]

# 初始化 LLM
llm = ChatOpenAI(temperature=0, model="gpt-4o-mini")

# 创建 LangGraph ReAct 代理
agent = create_react_agent(llm, tools)

# 调用代理
response = agent.invoke({"messages": [{"role": "human", "content": "成都的天气如何？"}]})
for message in response["messages"]:
    if message["role"] == "assistant":
        print(message["content"])

输出示例：

[代理使用 search_web 工具] 成都的天气是晴天，最高气温 28°C。

说明：

使用 create_react_agent 创建 ReAct 代理，替代 initialize_agent。
支持状态持久化（可添加 MemorySaver）。
输入为消息列表，输出为状态字典。

注意事项

API 密钥安全：
- 避免硬编码密钥，推荐使用 .env 文件和 python-dotenv：
```
from dotenv import load_dotenv
load_dotenv()  # 加载 .env 文件中的 OPENAI_API_KEY
```
- 确保密钥支持指定模型（如 gpt-4o-mini）。
工具兼容性：
- 确保工具返回字符串或 JSON 兼容输出，适应现代工具调用。
- 复杂工具使用 StructuredTool。
模型选择：
- gpt-4o-mini 性价比高，适合工具调用。
- 其他选项：gpt-4o 或 gpt-3.5-turbo。
LangGraph 迁移：
- initialize_agent 适用于简单场景，但 LangGraph 更适合复杂任务。
- 参考迁移指南。