使用AgentExecutor构建智能代理——基础示例

在当今基于人工智能的应用中，智能代理（agent）显得尤为重要。智能代理使用大语言模型（LLM）作为推理引擎，能够根据问题自动调用各种工具，并做出相应决策。这篇文章将指导你如何利用LangChain的AgentExecutor（传统版本）创建一个智能代理，该代理可以与多个工具进行交互，如本地数据库和在线搜索引擎。

技术背景介绍

在大多数情况下，语言模型本身不能执行动作，它们只能输出文本。而LangChain提供了一个AgentExecutor系统，可以辅助我们创建复杂的智能代理。智能代理通过调用大语言模型来决定采取哪些动作，以及应向这些动作输入哪些数据。这种动态性使得代理可以根据反馈结果决定是否需要采取进一步的动作。

核心原理解析

在这个基础教程中，我们将创建一个可以与多个工具交互的智能代理。我们会用到以下概念：

• 语言模型的工具调用能力：通过集成不同的API，智能代理能够动态调用这些工具。
• 创建Retriever：用于向代理提供特定的信息。
• 使用搜索工具：在线查找信息。
• 聊天历史管理：帮助聊天机器人记住过去的交互。
• 调试与追踪：利用LangSmith查看应用程序的状态与执行过程。

代码实现演示

下面的代码演示了如何配置和使用LangChain来创建一个简单的智能代理。

安装与配置

首先，你需要安装LangChain库：

pip install langchain

定义工具

我们将创建两个工具：一个用于在线搜索，另一个用于从本地数据中检索信息。

在线搜索工具

from langchain_community.tools.tavily_search import TavilySearchResults

search = TavilySearchResults(max_results=2)
search.invoke("what is the weather in SF")

本地数据检索工具

from langchain_community.document_loaders import WebBaseLoader