LangChain里的Agent实现

官方模块介绍文档：Agents — 🦜🔗 LangChain 0.0.191

官网API文档：Agents — 🦜🔗 LangChain 0.0.191

核心要点：

（1）需要依赖于用户输入的未知链。——区别于预先定义的调用链

（2）端到端方式

可参考资料：

问题迭代过程讲解博客1：ChatGPT|LangChain Agent原理介绍 - 掘金

问题迭代过程讲解博客2（感觉说的更加清楚明白）：LangChain Agent 执行过程解析 OpenAI_YezIwnl的博客-CSDN博客

关键组件

AgentExecutor（执行者）

文档：Agent Executor | 🦜️🔗 LangChain

源代码：langchain.agents.agent — 🦜🔗 LangChain 0.0.191

说明：AgentExecutor在很大程度上可以被认为是一个使用SingleActionAgent循环（详见函数_take_next_step）：

1. 将用户输入和任何先前的步骤传递给代理
2. 如果代理返回一个AgentFinish，则直接将其返回给用户
3. 如果 Agent 返回一个(或者多个)AgentAction，则使用它来调用一个工具并获得一个Observation（如果是多个，则多轮调用 将得到的Observation放入Result的List中）
4. 重复，将AgentAction和传递Observation回代理，直到AgentFinish发出

核心函数：_take_next_step

def _take_next_step(self,name_to_tool_map: Dict[str, BaseTool],color_mapping: Dict[str, str],inputs: Dict[str, str],intermediate_steps: List[Tuple[AgentAction, str]],) -> Union[AgentFinish, List[Tuple[AgentAction, str]]]:"""Take a single step in the thought-action-observation loop.Override this to take control of how the agent makes and acts on choices."""# Call the LLM to see what to do.output = self.agent.plan(intermediate_steps, **inputs)# If the tool chosen is the finishing tool, then we end and return.if isinstance(output, AgentFinish):return outputactions: List[AgentAction]if isinstance(output, AgentAction):actions = [output]else:actions = outputresult = []for agent_action in actions:self.callback_manager.on_agent_action(agent_action, verbose=self.verbose, color="green")# Otherwise we lookup the toolif agent_action.tool in name_to_tool_map:tool = name_to_tool_map[agent_action.tool]return_direct = tool.return_directcolor = color_mapping[agent_action.tool]tool_run_kwargs = self.agent.tool_run_logging_kwargs()if return_direct:tool_run_kwargs["llm_prefix"] = ""# We then call the tool on the tool input to get an observationobservation = tool.run(agent_action.tool_input,verbose=self.verbose,color=color,**tool_run_kwargs,)else:tool_run_kwargs = self.agent.tool_run_logging_kwargs()observation = InvalidTool().run(agent_action.tool,verbose=self.verbose,color=None,**tool_run_kwargs,)result.append((agent_action, observation))return result

 循环跳出条件（满足一项即可）：
（1）self._take_next_step()返回AgentFinish类型，代表agent已经判定当前active可以finish，
（2）self._get_tool_return()返回一个AgentFinish，代表调用的工具已被标记直接返回结果（name_to_tool_map[agent_action.tool].return_direct）

llm = OpenAI(temperature=0)
tools = [SearchTool(), CalculatorTool()]
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)
print("问题：")
print("答案：" + agent.run("告诉我'鸡你太美'是什么意思"))

• react-docstore 使用react框架, 和docstore交互, 使用Search和Lookup工具, 前者用来搜, 后者寻找term, 举例: Wipipedia工具
• self-ask-with-search 此代理只使用一个工具: Intermediate - Answer, 它会为问题寻找事实答案(指的非gpt生成的答案, 而是在网络中,文本中已存在的), 如 Google search API 工具
• conversational-react-description 为会话设置而设计的代理, 它的prompt会被设计的具有会话性, 且还是会使用 ReAct框架来决定使用来个工具, 并且将过往的会话交互存入内存.

使用过程：

可以直接调用langchain.agents.initialize（https://python.langchain.com/en/latest/_modules/langchain/agents/initialize.html?highlight=initialize_agent#）

from langchain.agents import initialize_agent
from langchain.llms import OpenAI
from CustomTools import WeatherTool
from CustomTools import CustomCalculatorToolllm = OpenAI(temperature=0)tools = [WeatherTool(), CustomCalculatorTool()]agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)agent.run("Query the weather of this week,And How old will I be in ten years? This year I am 28")

Agent类型-预置的Agent

zero-shot-react-description

（1）最常用 基于React

（2）根据工具的描述, 和请求的string 来决定使用哪个工具（最基础的Aagent流程）

llm = OpenAI(temperature=0)
tools = [SearchTool(), CalculatorTool()]
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)print("问题：")
print("答案：" + agent.run("告诉我'鸡你太美'是什么意思"))

react-docstore

使用react框架, 和docstore交互, 使用Search和Lookup工具, 前者用来搜, 后者寻找term, 举例: Wipipedia工具

self-ask-with-search

此代理只使用一个工具: Intermediate Answer, 它会为问题寻找事实答案(指的非gpt生成的答案, 而是在网络中,文本中已存在的), 如 Google search API 工具

conversational-react-description

为会话设置而设计的代理, 它的prompt会被设计的具有会话性, 且还是会使用 ReAct框架来决定使用来个工具, 并且将过往的会话交互存入内存.

使用过程：可以直接调用langchain.agents.initialize（langchain.agents.initialize — 🦜🔗 LangChain 0.0.191）

from langchain.agents import initialize_agent
from langchain.llms import OpenAI
from CustomTools import WeatherTool
from CustomTools import CustomCalculatorToolllm = OpenAI(temperature=0)tools = [WeatherTool(), CustomCalculatorTool()]agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)agent.run("Query the weather of this week,And How old will I be in ten years? This year I am 28")

initialize_agent内部调用agent_cls.from_llm_and_tools，返回一个AgentExecutor（默认为zero-shot-react-description）