基于开源模型搭建Agent系统教程

一篇非常基础非常基础的Agent博客

大型语言模型（LLMs）经过causal language modeling训练后，可以处理各种任务，但它们通常在逻辑、计算和搜索等基本任务上表现不佳。最糟糕的情况是，它们在某个领域（如数学）表现不佳，但仍然试图自行处理所有计算。

为了克服这一弱点，除了其他方法，可以将LLM集成到一个系统中，使其能够调用工具：这样的系统称为LLM Agent。

在本文中，我们将解释ReAct代理的内部工作原理，然后展示如何使用最近集成到LangChain中的ChatHuggingFace类来构建它们。最后，我们将对比几个开源LLM与GPT-3.5和GPT-4。

LLM Agent的定义非常广泛：LLM Agent是所有利用LLM作为引擎并可以根据环境产生的observation产生action的系统。它们可以使用感知⇒反思⇒行动循环的多个迭代来完成任务，并经常通过规划或知识管理系统进行增强以提高性能。

在这里，我们将重点放在ReAct代理上。ReAct是一种构建代理的方法，基于“reasoning”和“acting”这两个词的连接。在提示词中，会包含模型可以使用哪些工具，并要求它“一步一步”地思考（也称为思维链行为），以规划和执行下一个行动以达到最终答案。

图片

上面的图看起来非常高级，但背后的原理其实非常简单。

在下面这个colab notebook中：使用 Transformers 库实现了一个简单的工具代理。

LLM 在循环中被调用，其中包含一个基本的提示词。

然后可以解析LLM的输出：

如果它包含字符串‘Final Answer:’，循环结束并打印答案，

否则，LLM应该输出一个工具调用：你可以解析这个输出以获取工具名称和参数，然后使用这些参数调用该工具。然后将此工具调用的输出附加到提示中，并使用这些扩展信息再次调用LLM，直到它有足够的信息最终提供问题的最终答案。

例如，当回答问题：1:23:45 有多少秒时，LLM 的输出可能是这样的。

由于此输出不包含字符串'Final Answer:'，它在调用一个工具：因此我们解析此输出并获取工具调用参数：使用参数{"time": "1:23:45"} 调用工具convert_time。运行此工具调用返回{'seconds': '5025'}。因此我们将整个这段文字追加到提示词中。

现在的新提示词是（一个略微更详细的版本）：

我们再次调用LLM，使用这个新提示词。鉴于它可以访问观察中调用结果的工具，LLM现在很可能会输出：

任务已完成！

一般来说，运行LLM引擎的代理系统中困难的部分包括：

从提供的工具中选择一个能够帮助实现预期目标的工具：例如，当被问到“大于30,000的最小质数是多少？”时，代理可以使用搜索工具进行调用，但这并不会有所帮助。

以严谨的参数格式调用工具：例如，当尝试计算一辆汽车在10分钟内行驶3公里的速度时，必须调用计算器工具来将距离除以时间：即使你的计算器工具接受JSON格式的调用：{”tool”: “Calculator”, “args”: “3km/10min”}，也存在许多陷阱，例如：

拼写错误工具名称：“calculator”或“Compute”都跟工具名对不上

给出参数的名称而不是它们的值：“args”: “distance/time”

非标准化的格式：“args”: "3km in 10minutes”

高效地提取和利用前面观察到的信息，无论是初始背景还是使用工具后返回的观察结果。

说白了，一种就是模型能吐出来一个action，action_input，可能会出现模型吐出来的工具名可能跟实际的工具名对不上，或者参数名不对，或者参数值不标准。另外一种就是模型可能吐不出有效的action，对结果帮助不大

那么，一个完整的代理系统设置会是什么样子呢？

创建ChatModel并为其提供工具的代码非常简单，您可以在Langchain文档中查看所有类说明

你可以通过给 chat_model 提供 ReAct 风格的提示和工具来将其转化为一个代理。

并且代理将处理输入：

我们希望衡量开源LLM作为通用推理代理的表现。因此，我们选择需要使用逻辑和基本工具（计算器和互联网搜索）的问题。最终数据集是从其他3个数据集中抽取的样本的组合：

用于测试互联网搜索能力：我们从HotpotQA中选择了一些问题：这原本是一个检索数据集，但可以用于一般性问题回答，可以访问互联网。一些问题最初需要结合来自各种来源的信息：在我们的设置中，这意味着执行几个步骤的互联网搜索来结合结果。

对于计算器的使用，我们添加了来自GSM8K的问题：这个数据集测试小学数学能力，完全可以通过正确利用4种运算符（加、减、乘、除）来解决。

我们还从GAIA中挑选了一些问题，这是一个对通用人工智能助理来说非常困难的基准测试。原始数据集中的问题可能需要许多其他不同的工具，比如代码解释器或pdf阅读器：我们精选了不需要其他工具而只需搜索和计算器的问题。

评估是使用基于Prometheus提示格式的GPT-4作为打分模型。代码使用以下仓库

评测的几个英文模型，具体的就不贴了，结果如下：

图片

简单结果看就是llama2-70b比较菜，在agent场景，mixtral 7b*8略优于gpt3.5