重庆网站建设 渝/seo服务方案

---

前言

LangChain给自身的定位是：用于开发由大语言模型支持的应用程序的框架。它的做法是：通过提供标准化且丰富的模块抽象，构建大语言模型的输入输出规范，利用其核心概念chains，灵活地连接整个应用开发流程。 这里是LangChain系列的第六篇，主要介绍LangChain的Agent模块。

一、LangChain

1-1、介绍

LangChain是一个框架，用于开发由大型语言模型（LLM）驱动的应用程序。

LangChain 简化了 LLM 应用程序生命周期的每个阶段：

• 开发：使用LangChain的开源构建块和组件构建应用程序。使用第三方集成和模板开始运行。
• 生产化：使用 LangSmith 检查、监控和评估您的链条，以便您可以自信地持续优化和部署。
• 部署：使用 LangServe 将任何链转换为 API。

总结： LangChain是一个用于开发由LLM支持的应用程序的框架，通过提供标准化且丰富的模块抽象，构建LLM的输入输出规范，主要是利用其核心概念chains，可以灵活地链接整个应用开发流程。（即，其中的每个模块抽象，都是源于对大模型的深入理解和实践经验，由许多开发者提供出来的标准化流程和解决方案的抽象，再通过灵活的模块化组合，才得到了langchain）

1-2、LangChain抽象出来的核心模块

想象一下，如果要组织一个AI应用，开发者一般需要？

• 提示词模板的构建，不仅仅只包含用户输入！
• 模型调用与返回，参数设置，返回内容的格式化输出。
• 知识库查询，这里会包含文档加载，切割，以及转化为词嵌入（Embedding）向量。
• 其他第三方工具调用，一般包含天气查询、Google搜索、一些自定义的接口能力调用。
• 记忆获取，每一个对话都有上下文，在开启对话之前总得获取到之前的上下文吧？

由上边的内容，引出LangChain抽象的一些核心模块：

LangChain通过模块化的方式去高级抽象LLM在不同场景下的能力，其中LangChain抽象出的最重要的核心模块如下：‘

• Model I/O ：标准化各个大模型的输入和输出，包含输入模版，模型本身和格式化输出；
• Retrieval ：检索外部数据，然后在执行生成步骤时将其传递到 LLM，包括文档加载、切割、Embedding等；
• Chains ：链条，LangChain框架中最重要的模块，链接多个模块协同构建应用，是实际运作很多功能的高级抽象；
• Memory ： 记忆模块，以各种方式构建历史信息，维护有关实体及其关系的信息；
• Agents ： 目前最热门的Agents开发实践，未来能够真正实现通用人工智能的落地方案；
• Callbacks ：回调系统，允许连接到 LLM 应用程序的各个阶段。用于日志记录、监控、流传输和其他任务；

1-3、特点

LangChain的特点如下：

• 大语言模型(llm): LangChain为自然语言处理提供了不同类型的模型，这些模型可用于处理非结构化文本数据，并且可以基于用户的查询检索信息

• PromptTemplates: 这个特征使开发人员能够使用多个组件为他们的模型构造输入提示。在查询时，开发人员可以使用PromptTemplates为用户查询构造提示模板，之后模板会传递到大模型进行进一步的处理。

• 链:在LangChain中，链是一系列模型，它们被连接在一起以完成一个特定的目标。聊天机器人应用程序的链实例可能涉及使用LLM来理解用户输入，使用内存组件来存储过去的交互，以及使用决策组件来创建相关响应。

• agent: LangChain中的agent与用户输入进行交互，并使用不同的模型进行处理。Agent决定采取何种行动以及以何种顺序来执行行动。例如，CSV Agent可用于从CSV文件加载数据并执行查询，而Pandas Agent可用于从Pandas数据帧加载数据并处理用户查询。可以将代理链接在一起以构建更复杂的应用程序。

1-4、langchain解决的一些行业痛点

在使用大模型的过程中，一些行业痛点：

• 大模型的使用规范以及基于大模型的开发范式不尽相同，当使用一个新模型时，我们往往需要学习新的模型规范。
• 大模型知识更新的滞后性
• 大模型的外部API调用能力
• 大模型输出的不稳定问题，如何稳定输出？
• 大模型与私有化数据的连接方式？

1-5、安装

pip install langchain

二、Agent模块详解

2-0、Agent核心思想——React介绍

2-0-1、React的介绍以及由来

Agent核心思想React的由来: 在React思想之前,Reason和Act是割裂的，即推理和行动。如上图所示：

• Reason Only (仅推理)：这种方式中，模型主要关注于生成推理过程，而不是直接采取行动。即，模型主要聚焦于思考过程。
• Act Only (仅行动)：在这种方式中，模型直接与环境（Env）交互，根据观察（Observations）采取行动（Actions）。即，模型聚焦于根据直接采取行动，而不会去思考行动是否正确，接下来该做什么等问题。
• ReAct (推理+行动)：这种方式结合了推理和行动，模型在采取行动之前会进行推理。即，思考+行动，循环这个过程，直到完成目标。

2-0-2、伪代码介绍React的执行顺序

伪代码介绍执行顺序：

next_action = agent.get_action(...)
while next_action != AgentFinish:observation = run(next_action)next_action = agent.get_action(..., next_action, observation)
return next_action

过程介绍：

• 判断next_action（下一次操作）是否为AgentFinish标记，如果是的话，则结束循环。
• 如果next_action（下一次操作）不是AgentFinish标记，则执行并且得到结果，作为模型的观察数据。
• 模型通过观察执行的操作，以及该操作得到的结果，决定下一次执行的操作。如果为AgentFinish则结束循环，否则重复以上步骤。

解决的问题：

• 处理Agent选择不存在的工具的情况
• 处理工具出错的情况
• 处理Agent生成的输出无法解析为工具调用的情况
• 所有级别（Agent决策、工具调用）的日志记录和可观察性到 stdout 和/或 LangSmith。

2-1、Agent介绍

Agent的核心思想是使用LLM来选择一系列要执行的动作，图示相关内容介绍如下。
1、左侧内容：

• 用户输入（User Input）：用户提供输入，这可以是一个问题、一个请求或任何需要代理处理的信息。
• 补全（Completion）：补全是指根据用户输入生成标准响应的过程。这可能涉及到生成文本、回答问题或执行特定的任务。
• 上下文（Context）：上下文是指代理在生成响应时需要考虑的额外信息。这可以包括历史对话、用户偏好或其他相关数据。

2、右侧内容：

• Agent：Agent主要的组成是大模型+一系列提示策略
• 提示策略（Prompting Strategies）： 主要包含Agent的核心执行思想React（推理+行动），OpenAI Functions（使用OpenAI提供的函数来执行特定任务，这些函数可以是预定义的或用户自定义的），Self ask with search（Agent自我提问并使用搜索来获取信息，然后基于这些信息生成响应）
• 工具包（Toolkits）：Agent可以调用的一组工具或者是API，这些工具可以帮助Agent执行各种任务。可以是Langchain已有的，也可以是自定义的。

2-1、Self ask with search

Self-ask with search： 指的是Agent通过搜索，自我批判来解决复杂问题。这里我们使用tavily 搜索。 tavily 搜索引擎API获取地址 （别看了，没别的介绍，我也是第一次用，不是不用Google搜索，是捣鼓了很久获取不到验证码。 🤷‍♂️）

tavily 安装：

pip install -U langchain-community tavily-python

TavilySearchResults参数介绍

• max_results：最大返回搜索数量
• include_answer：是否包含答案
• include_images： 是否包含图片

Demo测试：

import os os.environ["TAVILY_API_KEY"] = ""from langchain_community.tools import TavilySearchResultstool = TavilySearchResults(max_results=5,include_answer=True,include_raw_content=True,include_images=True,# search_depth="advanced",# include_domains = []# exclude_domains = []
)tool.invoke({'query': '谁是世界上最美丽的女人？'})

输出：

Agent构建：

from langchain.agents import load_tools, get_all_tool_names
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain.llms import OpenAI
from langchain.agents import tool
from langchain.schema import SystemMessage
from langchain.agents import OpenAIFunctionsAgent
from langchain.agents import AgentExecutor
from langchain_community.chat_models import ChatZhipuAI
from langchain.agents import initialize_agent, AgentType, Tool
import os 
os.environ["TAVILY_API_KEY"] = ""from langchain_community.tools import TavilySearchResultstools = [TavilySearchResults(name = 'Intermediate Answer', max_results=5)]os.environ["ZHIPUAI_API_KEY"] = ""
llm = ChatZhipuAI(model="glm-4",temperature=0,
)# 实例化 SELF_ASK_WITH_SEARCH Agent
self_ask_with_search = initialize_agent(tools, llm, agent=AgentType.SELF_ASK_WITH_SEARCH, verbose=True
)
# 实际运行 Agent，查询问题（正确）
self_ask_with_search.invoke("成都举办的大运会是第几届大运会？"
)

输出：

2-3、OpenAI Function

OpenAIFunctionsAgent 是一个特定的代理（Agent），它被设计用来与 OpenAI 提供的函数调用功能进行交互。这个代理允许用户定义和执行自定义的函数，这些函数可以被语言模型调用，以执行特定的任务或操作。

以下是 OpenAIFunctionsAgent 的一些关键特性：

• 函数定义：用户可以定义自己的函数，这些函数可以接收输入、执行计算或调用外部API，并将结果返回给语言模型。
• 与语言模型集成：OpenAIFunctionsAgent 允许语言模型调用这些自定义函数，就像调用内置函数一样。这使得模型能够执行更复杂的任务，如数据检索、文件处理等。

from langchain.agents import load_tools, get_all_tool_names
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain.llms import OpenAI
from langchain.agents import tool
from langchain.schema import SystemMessage
from langchain.agents import OpenAIFunctionsAgent
from langchain.agents import AgentExecutoros.environ["ZHIPUAI_API_KEY"] = ""
llm = ChatZhipuAI(model="glm-4",temperature=0,
)# 自定义函数
# @tool
# def get_word_length(word: str) -> int:
#     """Returns the length of a word."""
#     return len(word)# tools = [get_word_length]# 调用自带的函数
tools = load_tools(["llm-math"], llm=llm)system_message = SystemMessage(content="你是一个非常强大的AI助手")
prompt = OpenAIFunctionsAgent.create_prompt(system_message=system_message)
agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)# 实例化 OpenAIFunctionsAgent
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
agent_executor.invoke("单词“educaasdfasdf”中有多少个字母? 字母次数的3次方是多少? 结果再开方,最终结果是什么?")

输出:

获取所有工具列表：

2-4、ReAct

1、获取提示词模板：

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

输出： React的提示词模板如下所示。

2、构建React智能体

from langchain_community.chat_models import ChatZhipuAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain.agents import AgentExecutor, create_react_agent
import osos.environ["ZHIPUAI_API_KEY"] = ""
llm = ChatZhipuAI(model="glm-4",temperature=0,
)os.environ["TAVILY_API_KEY"] = ""
tools = [TavilySearchResults(max_results=1)]# 构建React智能体
agent = create_react_agent(llm, tools, prompt)
# 解析错误解决方案：添加参数handle_parsing_errors=True
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
agent_executor.invoke({"input": "2024年有什么重大事件？"})

输出：

3、与聊天记录一起使用：

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/react-chat")# Construct the ReAct agent
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)from langchain_core.messages import AIMessage, HumanMessageagent_executor.invoke({"input": "what's my name? Only use a tool if needed, otherwise respond with Final Answer",# Notice that chat_history is a string, since this prompt is aimed at LLMs, not chat models"chat_history": "Human: Hi! My name is Bob\nAI: Hello Bob! Nice to meet you",}
)

输出：

Prompt：

参考文章：

langchain_community.utilities.sql_database.SQLDatabase
LangChain 🦜️🔗 中文网，跟着LangChain一起学LLM/GPT开发
LangChain官网
Rebuff: 防止提示词注入检测器

未完成：
Build a Question/Answering system over SQL data
langchain101 AI应用开发指南
Langchain官方文档tavily_search搜索工具

总结

Agent也没有那么完美，老是会报些奇奇怪怪的错误❌。