06--langchain（腾讯混元版）--agent 代理

本文链接：https://blog.csdn.net/weixin_44596512/article/details/145903633

langchain学习笔记（腾讯混元版）

02–prompt 提示词模板

概述

大语言模型本身无法进行动作（进行网络检索、操作数据库等），他们只能根据输入文本得到输出文本。本章节讲述如何使用 langchain 来创建代理执行相应动作。

代理：LLM对输入进行解析，判断是否要执行动作。若需要执行动作，则生成执行动作所需的输入并调用相关动作。执行玩动作后的结果可以反馈到LLM中，以判断是否需要更多的动作。

前言

本章以 Tavily 搜索引擎作为工具为例。首先需要获取 Tavily 的 api-key 并添加到项目的环境变量中:
在这里插入图片描述

注意：混元api目前支持直接联网检索，因此使用Tavily只是作为调用工具的案例，也可以选择调用其他工具。

Tavily工具

代码：

from langchain_community.tools.tavily_search import TavilySearchResults

search = TavilySearchResults(max_results=2) # 搜索结果最多2个
search_results = search.invoke("长沙今天天气如何？")
print(search_results)
tools = [search]  # 可以多个工具构成工具列表

输出结果：

模型

代码

	from langchain_community.tools.tavily_search import TavilySearchResults
	from langchain_core.messages import HumanMessage
	from langchain_openai import ChatOpenAI
	
	# 工具
	search = TavilySearchResults(max_results=2) # 搜索结果最多2个
	tools = [search]  # 可以多个工具构成工具列表
	
	# 模型
	model = ChatOpenAI(model="hunyuan-turbo", base_url="https://api.hunyuan.cloud.tencent.com/v1")
	
	# 模型调用工具
	model_with_tools = model.bind_tools(tools)
	response = model_with_tools.invoke([HumanMessage(content="你好!")])  # 不需要调用工具的输入
	response2 = model_with_tools.invoke([HumanMessage(content="长沙今天天气怎么样？")])  # 需要调用工具的输入
	
	print(f"ContentString: {response.content}")
	print(f"ToolCalls: {response.tool_calls}")
	
	print("=====================================")
	
	print(f"ContentString: {response2.content}")
	print(f"ToolCalls: {response2.tool_calls}")

输出结果：
结果解读：
对于不需要调用工具的代码，直接生成输出（ContentString）。
对于需要调用工具的代码，生成调用工具的输入（ToolCalls）。
注意：这里还没有真正调用工具，LLM只是告诉我们需要调用工具并生成相应的工具输入。

代理

代码（使用 Langgraph 进行代理的创建）：

from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent

# 工具
search = TavilySearchResults(max_results=2) # 搜索结果最多2个
tools = [search]  # 可以多个工具构成工具列表

# 模型
model = ChatOpenAI(model="hunyuan-turbo", base_url="https://api.hunyuan.cloud.tencent.com/v1")

# 代理
agent_executor = create_react_agent(model, tools)

response = agent_executor.invoke({"messages": [HumanMessage(content="你好!")]})
response2 = agent_executor.invoke({"messages": [HumanMessage(content="长沙今天天气怎么样？")]})

print(response["messages"])
print("====================================")
print(response2["messages"])