构建LangChain应用程序的示例代码：13、基于在BabyAGI的基础上如何替换执行链的教程

BabyAGI 与工具

示例是在 baby agi 的基础上构建，但展示了如何替换执行链。之前的执行链仅仅是一个 LLM，它编造东西。通过将其替换为具有工具访问权限的代理，我们可以希望获得真实可靠的信息。

安装并导入所需模块

from typing import Optional

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_experimental.autonomous_agents import BabyAGI
from langchain_openai import OpenAI, OpenAIEmbeddings

连接到向量存储

根据您使用的向量存储不同，这一步可能看起来不同。

%pip install faiss-cpu > /dev/null
%pip install google-search-results > /dev/null
from langchain.docstore import InMemoryDocstore
from langchain_community.vectorstores import FAISS

# 定义您的嵌入模型
embeddings_model = OpenAIEmbeddings()

# 初始化为空的向量存储
import faiss

embedding_size = 1536
index = faiss.IndexFlatL2(embedding_size)
vectorstore = FAISS(embeddings_model.embed_query, index, InMemoryDocstore({}), {})

定义链

BabyAGI 依赖于三个 LLM 链：

• 任务创建链，用于选择添加到列表中的新任务
• 任务优先级链，用于重新确定任务的优先级
• 执行链，用于执行任务

注意：在这本笔记本中，执行链现在将是一个代理。

from langchain.agents import AgentExecutor, Tool, ZeroShotAgent
from langchain.chains import LLMChain
from langchain_community.utilities import SerpAPIWrapper
from langchain_openai import OpenAI

todo_prompt = PromptTemplate.from_template(
    "你是擅长为给定目标制定待办事项清单的规划者。为这个目标制定一个待办事项清单：{objective}"
)
todo_chain = LLMChain(llm=OpenAI(temperature=0), prompt=todo_prompt)
search = SerpAPIWrapper()
tools = [
    Tool(
        name="搜索",
        func=search.run,
        description="当你需要回答有关当前事件的问题时很有用",
    ),
    Tool(
        name="待办事项",
        func=todo_chain.run,
        description="当你需要制定待办事项清单时很有用。输入：一个目标来创建待办事项清单。输出：该目标的待办事项清单。请非常清楚目标是什么！",
    ),
]

prefix = "你是根据以下目标执行任务的 AI：{objective}。考虑这些先前完成的任务：{context}。"
suffix = "问题：{task}\n{agent_scratchpad}"
prompt = ZeroShotAgent.create_prompt(
    tools,
    prefix=prefix,
    suffix=suffix,
    input_variables=["objective", "task", "context", "agent_scratchpad"],
)

llm = OpenAI(temperature=0)
llm_chain = LLMChain(llm=llm, prompt=prompt)
tool_names = [tool.name for tool in tools]
agent = ZeroShotAgent(llm_chain=llm_chain, allowed_tools=tool_names)
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, tools=tools, verbose=True
)

运行 BabyAGI

现在到了创建 BabyAGI 控制器并观察它尝试完成您的目标的时候了。

OBJECTIVE = "为今天的旧金山编写一份天气报告"

# LLMChains 的日志记录
verbose = False

# 如果为 None，将永远继续下去
max_iterations: Optional[int] = 3
baby_agi = BabyAGI.from_llm(
    llm=llm,
    vectorstore=vectorstore,
    task_execution_chain=agent_executor,
    verbose=verbose,
    max_iterations=max_iterations,
)

baby_agi({"objective": OBJECTIVE})

---

介绍了如何使用BabyAGI并替换其执行链，通过引入具有工具访问权限的代理来提高信息的可靠性。首先，安装必要的模块并连接向量存储，然后定义嵌入模型和向量存储。接着，定义了三个链：任务创建链、任务优先级链和执行链，其中执行链在此示例中被替换为一个代理。通过创建提示模板和工具，然后初始化代理执行器和BabyAGI控制器，BabyAGI能够根据给定的目标执行任务，并通过日志记录选项提供详细的执行过程。这种方法展示了如何通过集成不同的工具来扩展BabyAGI的功能，使其能够更有效地完成任务。