LangChain之Agent代理（上）

Agent代理

概述

Agent代理的核心思想是使用语言模型来选择要采取的一系列动作。在链中，动作序列是硬编码的。在代理中，语言模型用作推理引擎来确定要采取哪些动作以及按什么顺序进行。

因此，在LangChain中，Agent代理就是使用语言模型作为推理引擎，让模型自主判断、调用工具和决定下一步行动。

Agent代理像是一个多功能接口，能够使用多种工具，并根据用户输入决定调用哪些工具，同时能够将一个工具的输出数据作为另一个工具的输入数据。

分类

根据几个维度对所有可用的代理进行分类:

makefile复制代码模型类型：代理适用于那类模型。Chat（接收消息，输出消息）、LLM（接收字符串，输出字符串）

聊天历史: 代理是否支持聊天历史。如果支持，这意味着它可以用作聊天机器人。如果不支持，那么它更适合单一任务。

多输入工具:  代理是否支持具有多个输入的工具。如果一个工具只需要单个输入，那么LLM通常更容易知道如何调用它。

并行函数调用: 让LLM同时调用多个工具可以大大提高代理的效率

所需模型参数: 代理是否需要模型支持任何其他参数。某些代理类型利用了OpenAI 函数调用等功能，这些功能需要其他模型参数。如果不需要，则意味着一切都通过提示完成

代理名称	模型类型	聊天历史	多输入工具	并行函数调用	所需模型参数	描述	Agent
OpenAI tools	Chat	√	√	√	tools	OpenAI将调用单个函数的能力称为 函数，将调用一个或多个函数的能力称为工具。	create_openai_tools_agent
OpenAI functions	Chat	√	√	x	functions	使用Op0nAl函数集合的代理。已弃用转而使用OpenAI tools	create_openai_functions_agent
XML Agent	LLM	√	x	x		某些语言模型（例如 Anthropic 的 Claude）特别擅长推理/编写 XML。	create_xml_agent
Structured chat	Chat	√	√	x		使用结构化工具集的代理	create_structured_chat_agent
JSON Chat Agent	Chat	√	x	x		代理使用 JSON 来格式化其输出，旨在支持聊天模型。	create_json_chat_agent
ReAct	LLM	√	x	x		推理和执行，推理后决定调用工具或者根据工具返回结果确定完成任务	create_react_agent
Self-ask with search	LLM	x	x	x		通过追问和中间答案，引导发现最终答案	create_self_ask_with_search_agent

Agent的基本使用

构建一个具有两种工具的代理：一种用于在线查找，另一种用于查找加载到索引中的特定数据。

准备操作

在LangChain中有一个内置的工具，可以方便地使用Tavily搜索引擎作为工具。

访问Tavily（用于在线搜索）注册账号并登录，获取API 密钥

设置OpenAI和TAVILY的API密钥

python复制代码import os
os.environ["OPENAI_BASE_URL"] = "https://xxx.com/v1"
os.environ["OPENAI_API_KEY"] = "sk-BGFnOL9Q4c99B378Bxxxxxxxxxxxxxxxx13bc437B82c2"
os.environ["TAVILY_API_KEY"] = 'tvly-Scx77cTxxxxxxxxxxxxx3rmxRIM8'

定义工具

首先需要创建想要使用的工具。这里使用两个工具：

复制代码Tavily（用于在线搜索）

创建的本地索引的检索器

1.Tavily在线搜索

python复制代码# 加载所需的库
from langchain_community.tools.tavily_search import TavilySearchResults

# 查询 Tavily 搜索 API 并返回 json 的工具
search = TavilySearchResults()
# 执行查询
res = search.invoke("目前市场上苹果手机15的平均售价是多少？")
print(res)

执行查询结果如下：

2.创建检索器

根据上述查询结果中的某个URL中，获取一些数据创建一个检索器。

这里使用一个简单的本地向量库FAISS，使用FAISS的CPU版本，需要安装FAISS库：

python

复制代码pip install faiss-cpu
python复制代码from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter