开发者实战 | 基于 LangChain 与 OpenVINO™ 构建 AI 智能体

构建AI智能体：LLM与OpenVINO的协作与工具驱动的决策,

最新推荐文章于 2025-10-28 10:08:39 发布

原创最新推荐文章于 2025-10-28 10:08:39 发布 · 1k 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #langchain #openvino

点击蓝字

关注我们,让开发变得更有趣

作者| 杨亦诚

排版| 李擎

基于 LangChain 与

OpenVINO™ 构建 AI 智能体

通常情况下， LLM 获取知识的途径仅限于训练时的样本数据以及 Prompt 中包含的上下文信息，因此如果缺少有效的外部信息获取途径， LLM 便无法像一个智能体一样自主学习知识并做出行动，这也是为什么我们要引入 Agent 的概念。

顾名思义 Agent 便是让 LLM 像代理一样来对接用户需求，将问题拆解后，通过调用外部工具的方式来解决这些问题，不同于传统的人工智能， Agent 具备通过主动思考、调用工具去逐步完成给定目标的能力。代理的核心思想是使用 LLM 来进行规划，让 LLM 像“路由器”一样，选择下一步要执行的操作。在代理中， LLM 用作推理引擎，以确定要执行哪些操作以及按什么顺序执行，这些操作往往需要和一组工具（如搜索引擎、数据库、网站等）集成，用来提升 LLM 的行动能力。

图：LangChain中Agent的运行流程

上面这张图展示的就是 LLM 作为 Agent 在一个AI智能体中承担的作用， LLM 会根据用户请求，将其拆解为一系列任务，根据任务的先后次序来调用（Action）不同的外部工具（Tools），并根据从工具中得到的结果（Observation）来规划（Plan）下一步行动，最终当满足用户需求后，给出最终反馈，类似于在强化学习中，通过 Action 和 React 机制实现最终的收敛。接下来我们就通过一个简单的案例看一下如何用 OpenVINO™ 和 LangChain 实现这个过程。

OpenVINO™

1. 创建工具

根据 LangChain 的官方教程，我们首先需要为 Agent 定义一组工具 Function，以供其调用。官方也给出了一个简单的示例，如何通过 @tool 修饰器来定义了一组基本的运算函数：

from langchain_core.tools import tool
@tool
def multiply(first_int: int, second_int: int) -> int:
    """Multiply two integers together."""
    return first_int * second_int

这里我们可以同时创建多个工具， Agent 会根据用户需求，自主选择最合适的工具，并获取结果。除了通过自定义的方式创建工具 Function 外， LangChain 的生态合作伙伴也为我们预先定义了很多实用的工具，例如使用 Wikipedia 进行关键词检索，或是借助 ChatGPT 服务为你完成更复杂的任务。

OpenVINO™

2. 创建Prompt Template

第二步则是要创建 Prompt Template 模板，在很多 LLM 应用中也被叫做 Prompt 工程。目的是激活 LLM 规划和行动的能力。目前本地 Agent 比较常用的模板形态有 Function call， Self-ask 和 ReAct 。由于 Function call 能力需要在模型训练的过程中进行注入，所以这边不做讨论。Self-ask 提出了一种把问题拆解成子问题的 Prompt 范式，每一步模型都会自我提问是否可以把问题改写/拆解成一个简单的子问题，并进行回答，回答时可以调用搜索工具来获得答案，然后根据工具返回结果，继续进行自我提问，直到获得最终答案。ReAct 文如其名，模型推理分成了两个部分， Reason 和 Action。Reason 生成分析步骤， Action 生成工具调用请求，二者交替进行直到得到最终的结果。和 Self-ask 对比， ReAct 进一步把推理和工具调用进行了解耦, 在 Self-ask 中，自我提问既是推理步骤也是搜索工具的请求 Query，而在 ReAct 中工具调用的请求在推理步骤之后，这样可以更好的支持搜索以外的其他工具。

图：ReAct工作机制

在该项目中以 ReAct 为例，可以看到这个 Prompt Template 为 LLM 构建了一个从想法（Thought），行动（Action），观察结果（Observation）到最终答案(Final Answer:)完整的思维链，并且整个思考过程被要求进行多次的重复，直到 LLM 从工具中得到的有效信息足够支持其解决用户请求。

prompt = PromptTemplate.from_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

Observation: the result of the action

... (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!

Question: {input}

Thought:{agent_scratchpad}"""

)

OpenVINO™

3.创建LLM实例

目前 OpenVINO™ 已经被集成进了 LangChain 中 HuggingFace Pipeline LLM 组件，开发者可以直接通过修改 Backend 的方式，创建一个基于 OpenVINO™ 的 LLM 实例，并像其他 LLM 实例一样在 LangChain 中进行调用，其中 model_id 可以是一个 HuggingFace 的模型 ID，也可以是本地的 PyTorch 或者 OpenVINO 格式模型路径：

ov_llm = HuggingFacePipeline.from_model_id(
model_id=model_path,
task="text-generation",
backend="openvino",
model_kwargs={"device": device.value, "ov_config": ov_config},
pipeline_kwargs={"max_new_tokens": 1024},
)

关于 OpenVINO™ LLM 组件更多的信息和使用方式可以访问：

https://python.langchain.com/v0.1/docs/integrations/llms/openvino/

OpenVINO™

4.构建并运行Agent

在这个项目中，我们以“Intel/neural-chat-7b-v3-1”大语言模型为例，在完成 LLM 实例，Tools 和 Prompt Template 创建后，可以利用 LangChain 中 Agent 相关的 API 非常快速地搭建本地 Agent 服务：

output_parser = ReActSingleInputOutputParser()
agent = create_react_agent(ov_llm, tools, prompt,
output_parser=output_parser)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

由于 LangChain 默认解析 ReAct 输出的脚本无法很好地识别 HuggingFace Pipeline 的生成结果，所以这里我们需要自己定义一个 custom_output_parser.py 脚本，用于将模型原始的输出结果转化为具体的行动（Action），例如如何匹配工具函数的输入数据。以一个简单的数学运算为例，可以看到Agent在理解用户问题后，将他拆分为多个行动，并将多个行动的观察结果进行整合，得到最终答案。

Question: Take 3 to the fifth power and multiply that by the sum of twelve and three

Thought: We need to exponentiate 3 to the power of 5, then multiply the result by the sum of 12 and 3

Action: exponentiate

Action Input: base: 3, exponent: 5

Observation: 243

Action: add

Action Input: first_int: 12, second_int: 3

Observation: 15

Action: multiply

Action Input: first_int: 243, second_int: 15

Observation: 3645

Thought: I now know the final answer

Final Answer: 3645

此外，在借助 LangChain 中预置的 Wikipedia 查询工具，我们也可以搭建起一个基于 Wikipedia 知识库检索的 Agent 工具：

图：面向Wikipedia的知识库检索Agent

OpenVINO™

5.结束语

基于 LLM 构建的 AI 智能体，虽然无法做到面面俱到，但他却可以找到最合适的帮手一同完成任务。除了以上这些示例外，我们还可以利用 Agent，RAG 以及多模态模型等技术，创建更复杂的应用体系，例如将人类指令转化为机器臂的具体动作，或是根据用户请求绘制创建文本或音视频内容。

作为通过通用人工智能（AGI）的必经之路，Agent 就好比是一个能够感知环境、进行决策和执行动作的智能实体，像人一样感知世界，运用工具，与他人进行交互。相信在 OpenVINO™ 的加持下，完全本地的 AI 智能体服务将成为可能。

OpenVINO™

6.参考示例

基于 LangChain 和 OpenVINO™ 的 RAG 示例：

https://github.com/openvinotoolkit/openvino_notebooks/tree/latest/notebooks/llm-rag-langchain

基于 LangChain 和 OpenVINO™ 的 Agent 示例：

https://github.com/openvinotoolkit/openvino_notebooks/tree/latest/notebooks/llm-agent-langchain

OpenVINO™

--END--

点击下方图片，让我们一起成为“Issues 猎手”，共创百万用户开源生态！

你也许想了解(点击蓝字查看)⬇️➡️ 隆重介绍 OpenVINO™ 2024.0: 为开发者提供更强性能和扩展支持➡️ 隆重推出 OpenVINO 2023.3 ™ 最新长期支持版本➡️ OpenVINO™ 2023.2 发布：让生成式 AI 在实际场景中更易用➡️ 开发者实战 | 介绍OpenVINO™ 2023.1：在边缘端赋能生成式AI➡️ 基于 ChatGLM2 和 OpenVINO™ 打造中文聊天助手➡️ 基于 Llama2 和 OpenVINO™ 打造聊天机器人➡️ OpenVINO™ DevCon 2023重磅回归！英特尔以创新产品激发开发者无限潜能➡️ 5周年更新 | OpenVINO™  2023.0，让AI部署和加速更容易➡️ OpenVINO™5周年重头戏！2023.0版本持续升级AI部署和加速性能➡️ 开发者实战系列资源包来啦！➡️ 以AI作画，祝她节日快乐；简单三步，OpenVINO™ 助你轻松体验AIGC

扫描下方二维码立即体验 
OpenVINO™ 工具套件 2024.1

点击阅读原文获取工具套件，评论区已开放，欢迎大家留言评论！

文章这么精彩，你有没有“在看”?