LangChain 实战：Agent思维 点击关注公众号，“技术干货”及时达！ 前言??大模型是被训练出来的，它可以结合本地知识库，也可以调用搜索或在线API来增强自身的能力。这些都不是大模型内部的数据，我们称为外部工具。 ??当大模型需要通过自主判断调用外部工具来进一步完成任务时，LangChain给我们提供了Agent(代理)模块。 image.pngAgents??Agent是一个抽象概念，当LLM无法根据自身数据回复用户即将不得不正儿八经说假话时，Agent帮我们找来一个外部工具，解决之。除了代理的概念外，LangChain提供了一系列常用的Agent，比如我们在LangChain实战: 老喻干货店TextToSql一文学习到的create_sql_agent等。除了单个agent外，我们还可以同时使用多个agents,并且一个agent的输出可以做为另一个agent的输入。便于将复杂任务分步细致的解决好。 ??我们要把握agent，可以从以下几方面入手： 大模型??大模型自身有些问题解决不了，求援于Agent调用外部工具解决。在Agents的工作过程中，LLM提供逻辑的引擎，负责生成预测和处理输入。 外部Tools??接口调用、文件处理、搜索引擎等 控制交互的代理??这是代理的管家，当有多个代理时，负责调度。如果我们要搞清楚，Agent是如何决定去本地知识库中搜索，或是调用哪一个外部工具，得到一个工具的输出后，怎么自主决定调用哪一个agent，我们需要停下来学习ReAct框架 ReAct思维框架??比如，老喻干货店，很多货品会随着很多情况的变化而改变售价，我们可以开发一款Agent来为货品智能定价。我们通过推理干货的价格，来理解Agent的底层思想。 ??我们可以在批发网上找到今天的干货成本价（行动），然后我们观察这个价格的高低（观察），来决定加价多少（思考），最后计算出一个售价（行动）。 ??哎， 一边写着代码， 一边挂念着山东的大蒜子.... ??我们平时也是边观察，边思考 ，再行动。观察和思考统称推理(Reasoning), 推理可以指导我们的行动（Acting）。React框架就来源于行动和推理的协同，它将人类学习新任务并做出决策或再推理的能力交给LLM借鉴。 ??大家可以来看下使用ReAct思维，帮助大模型找到胡椒瓶。 image.png?? LangChain的Agent类，对ReAct进行了封装和实现。自此，大模型获得了极大的自主性，除了基于内部知识可以进行对话聊天，还可以成为使用工具的智能代理。 干货定价Agent DEMO??我们要开发一个agent, 帮我们找到大蒜子的当前市场价格，并加价20%做出销售价格 安装依赖!pip install langchain !pip install openai !pip intall google-search-results ?? 这里我们使用了SerpAPI,它是等下Agent需要的Google搜索工具，找出大蒜子的价格。 配置OpenAI和SerpAPI的api_keyimport os os.environ["OPENAI_API_KEY"]='Your OpenAI API KEY' os.environ["SERPAPI_API_KEY"]='our SerpAPI API Key' 导入库# 加载工具 from langchain.agents import load_tools # 初始agent 工具 from langchain.agents import initialize_agent from langchain.agents import AgentType from langchain.llms import OpenAI 实例化llm， 加载工具， 生成agentllm = OpenAI(temperature=0) # serpapi 负责搜索，llm-math 负责计算20% tools = load_tools(["serpapi", "llm-math"], llm=llm) # ZERO_SHOT_REACT_DESCRIPTION 的意思是使用react思维框架、不使用样本 agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True) 执行并拿到结果agent.run("目前市场上大蒜子的平均价格是多少？如果我在此基础上加价20%卖出，应该如何定价？") ??大模型根据ReAct框架，开始了推理和行动： Entering new chain... I need to find the current market price of garlic and then calculate the new price with a 20% markup. Action: Search Action Input: "Average price of garlic" Observation: According to the study, the average price for garlic in Shandong is 4.2. Thought: I need to calculate the new price with a 20% markup. Action: Calculator Action Input: 4.2 * 1.2 Observation: Answer: Thought: I now know the final answer. Final Answer: The new price with a 20% markup would be 5.04. Finished chain. 总结驱动Agent工作的是ReAct思想框架参考资料https://arxiv.org/pdf/2210.03629.pdf黄佳老师的LangChain课点击关注公众号，“技术干货”及时达！ 阅读原文