【AI大模型应用开发】【LangChain系列】5. 实战LangChain的智能体Agents模块

大家好，我是【同学小张】。持续学习，持续干货输出，关注我，跟我一起学AI大模型技能。

在我前面的MetaGPT系列文章中，已经对智能体有了一个认知，重温一下：

智能体 = LLM+观察+思考+行动+记忆

• 将大语言模型作为一个推理引擎。给定一个任务，智能体自动生成完成任务所需的步骤，执行相应动作（例如选择并调用工具），直到任务完成。

更详细的智能体相关概念可看我前面的文章：
【AI的未来 – AI Agent系列】【MetaGPT】1. AI Agent如何重构世界

本文我们来学习下LangChain中的智能体模块怎么用。

文章目录

• • 0. 从一个例子认识LangChian的Agent
  • • 0.1 Google搜索Tool
    • • 0.1.1 注册Google并获取搜索API的key
    • 0.2 运行示例程序
    • 0.3 运行结果解释
  • 1. Agent实现步骤拆解
  • • 1.1 先定义工具Tools
    • 1.2 Prompt模板
    • 1.3 创建Agent
    • 1.4 创建Agent执行器
    • 1.5 运行Agent
    • 1.6 运行结果及遇到的坑
  • 2. 补充知识
  • • 2.1 AgentTypes
    • 2.2 各AgentTypes的Prompt模板

0. 从一个例子认识LangChian的Agent

下面，我们以一个Google搜索的例子来直观认识下LangChain的Agent。

0.1 Google搜索Tool

0.1.1 注册Google并获取搜索API的key

Google搜索需要借助 Serpapi 来进行实现，Serpapi 提供了 Google 搜索的 API 接口。

（1）去官网：https://serpapi.com/ 注册一个账号，获取自己的key

（2）像OpenAI的key一样添加到环境变量的配置文件中。

（3）安装google检索依赖的Python包

pip install google-search-results

0.2 运行示例程序

咱们先不看LangChain的Agent的概念、接口及原理，先来一个简单的使用示例，运行起来，看下LangChain的Agent都能干什么。

• 示例程序完整代码

import os
# 加载 .env 到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

from langchain_openai import ChatOpenAI

llm = ChatOpenAI() # 默认是gpt-3.5-turbo


# 定义 tools
from langchain.agents import load_tools
tools = load_tools(["serpapi"])

from langchain.agents import initialize_agent
from langchain.agents import AgentType
# 工具加载后都需要初始化，verbose 参数为 True，会打印全部的执行详情
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
# 运行 agent
agent.run("今天的日期是什么? 历史上的今天发生了什么大事?用中文回答")

• 运行结果

0.3 运行结果解释

从上面运行结果可以看到此Agent的运行过程：
（1）先总结了任务和思考了步骤：检索当前日期，然后检索这个日期上发生的历史事件
（2）执行检索当前日期的步骤：Action是Search，输入是“今天的日期”
（3）得到了今天的日期：Observation的结果
（4）再一次思考：我现在已经知道了当前日期
（5）执行第二步：Action是Search，输入是“历史上的今天发生了什么大事”
（6）得到了第二步的结果
（7）再思考：知道了历史上的今天发生了什么
（8）总结输出最终回复

简单概括：思考 —> 得到结果 —> 思考 —> 得到结果 —> … —> 思考 —> 总结

到这里，相信你已经大体知道Agent是干什么的了。下面，我们拆解下Agent的实现。

1. Agent实现步骤拆解

1.1 先定义工具Tools

• 可以是一个函数或三方 API
• 也可以把一个 Chain 或者 Agent 的 run()作为一个 Tool

在上面的例子中，我们使用了官方内置的Tool：serpapi，这也是可以自己定义的。例如下面的代码，自定义了一个weekday的工具。

import calendar
import dateutil.parser as parser
from datetime import date
from langchain.tools import Tool, tool

# 自定义工具
@tool("weekday")
def weekday(date_str: str) -> str:
    """Convert date to weekday name"""
    d = parser.parse(date_str)
    return calendar.day_name[d.weekday()]

tools += [weekday] ## 将自定义的tool添加到tools数组中

1.2 Prompt模板

要想写好Agent，Prompt模板也不可或缺。LangChain提供了一些Prompt模板，可以直接下载修改使用。再也不用绞尽脑汁自己从零开始写Prompt了！

先安装下Python包：

pip install langchainhub

执行以下代码：

from langchain import hub
import json

# 下载一个现有的 Prompt 模板
prompt = hub.pull("hwchase17/react")

print(prompt.template)

获得Prompt模板内容（我觉得比90%的人自己写的要好）：

当然，这类Prompt模板可能不完全符合你的需求，所以你需要在此基础上作一些补充或修改。但是，总比自己从零开始写要好得多。

如果要修改，可以参考我下面的方式，主要注意点是prompt应该是一个PromptTemplate类型，而不是一个字符串

# from langchain import hub
# import json
# # 下载一个现有的 Prompt 模板
# prompt = hub.pull("hwchase17/react")
# print(prompt.template)

from langchain_core.prompts import ChatPromptTemplate
prompt_template = """
Answer the following questions as best you can. You have access to the following tools:

{tools}

Use the following format:

Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action，如果其中有日期，请确保只输入日期，格式为:YYYY-MM-DD，不要有任何其它字符
Observation: the result of the action，如果其中有日期，请确保输出的日期格式为:YYYY-MM-DD，不要有任何其它字符
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

Begin! Let's think step by step. Take a deep breath.

Question: {input}
Thought:{agent_scratchpad}
"""
prompt = ChatPromptTemplate.from_template(prompt_template)

1.3 创建Agent

准备好llm、tools、prompt之后，创建Agent

from langchain.agents import create_react_agent
agent = create_react_agent(llm, tools, prompt)

可能会报错：ImportError: cannot import name ‘create_react_agent’ from ‘langchain.agents’，解决方法：

pip install langchain --upgrade

1.4 创建Agent执行器

from langchain.agents import AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

• 不理解：为什么在创建Agent时传入了tools，这里创建Agent执行器还要再传入一遍tools？难道为多Agent区分各自tools ？

1.5 运行Agent

agent_executor.invoke({"input": "周杰伦生日那天是星期几"})

1.6 运行结果及遇到的坑

运行结果如下：

遇到的坑：

（1）无法识别出第一步应该先检索当前日期，直接就调用了weekday工具

• 解决办法：优化Promot，加入了 “Let’s think step by step. Take a deep breath.”

不得不说，这两句是真好使

（2）weekday工具的输入不符合要求

• 解决办法：优化Prompt，限制输入和输出的日期类型，见上文完整的Prompt

目前大模型规划的能力还是不行。以上例子中Agent主要是依靠大模型来进行流程控制，具有很大的不确定性和不可控性。

2. 补充知识

2.1 AgentTypes

LangChain的Agent模块封装了多种Agent类型可供使用。详细可参考：https://python.langchain.com/docs/modules/agents/agent_types/

2.2 各AgentTypes的Prompt模板

• OpenAI functions

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/openai-functions-agent")

• OpenAI tools

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/openai-tools-agent")

• XML Agent

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/xml-agent-convo")

• JSON Chat Agent

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/react-chat-json")

• Structured chat

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/structured-chat-agent")

• ReAct

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/react")

• Self-ask with search

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/self-ask-with-search")

本文就到这里了。咱们对LangChain的Agent模块有了一个初步的认识，并且学会了如何利用LangChain实现一个简单的Agent，如何自定义自己的tool等。

当然，Agent不止于此，LangChain的Agent模块也不止于此，还需要更加细致的学习和挖掘。

如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~

• 大家好，我是同学小张
• 欢迎 点赞 + 关注 👏，促使我持续学习，持续干货输出。
• +v: jasper_8017 一起交流💬，一起进步💪。
• 微信公众号也可搜【同学小张】 🙏
• 踩坑不易，感谢关注和围观

本站文章一览：