LangChain 代理 Agent(学习笔记)

最新推荐文章于 2025-11-02 18:28:48 发布
原创 最新推荐文章于 2025-11-02 18:28:48 发布 · 1.1k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#langchain #chatgpt #prompt

本文介绍了LangChain中的Agent、Tool、Toolkit和AgentExecutor组件，展示了如何创建工具实例，加载工具以及使用Zero-shotReAct类型的Agent进行交互。详细讲解了这些组件在实现自动化任务中的作用和用法。
最低0.47元/天 解锁文章
10｜代理（中）：AgentExecutor究竟是怎样驱动模型和工具完成任务的？
weixin_39924752的博客
03-18 2693
这些本质上都是给大模型提供Prompt， Prompt是会越来越多的，可以看看langchain是怎么解决 token上限。此外，在AgentExecutor中，还构建了自主计划和调用 工具的逻辑。Profile : 定义了Agent的个性、知识和经验。提供了“选择操作序列”时推理所需的高层次背景信息。当Agent处理特定的任务时，它会考虑Profile中的信息来做出与其“个性”和“经验”相一致的决策。Memory (记忆): 让Agent能够记住之前的交互和决策，帮助其更好地适应和处理后续的任务。
AgentExecutor|学习笔记
m0_65079225的博客
11-28 1752
内容来自极客时间-Langchain实战课，侵权请联系删除在链中，一系列操作被硬编码（在代码中）。在代理中，语言模型被用作推理引擎来确定要采取哪些操作以及按什么顺序执行这些操作。​
LangChain v1.0 中间件详解：彻底搞定 AI Agent 上下文控制
最新发布
deephub
11-02 2254
LangChain v1.0 引入中间件机制，系统化解决上下文管理难题。通过模块化中间件，实现输入预处理、敏感信息过滤、工具权限控制等，提升Agent在生产环境的稳定性与可维护性。
智能体执行器 (Agent Executor)
1.大规模企业集群服务开发和服务架构设计，性能优化等经验。 2.企业级数据仓库0-1落地经验。
04-09 1092
智能体执行器(Agent Executor)是LangChain框架中的核心组件，负责协调智能体的思考过程和工具调用。它充当了智能体与其环境之间的桥梁，管理执行流程，并确保任务能够被正确完成。智能体执行器接收用户输入，将其传递给智能体进行推理，然后执行智能体决定要采取的行动，并将结果返回给智能体继续推理，直到任务完成。) -> bool:# 实现你自定义的停止逻辑# 例如，如果中间步骤超过5个或者检测到某些关键词# 使用自定义停止条件创建执行器。
LangChain Agent（代理）技术实现及代码学习
pythonhy的博客
05-17 1535
LangChain Agent（代理）技术实现及代码学习
LLM之LangChain（二）| LangChain中的Agent
wshzd的博客
01-15 4210
定义了两个工具，“搜索”和“查找”，其中“搜索”工具搜索文档，“查找”工具执行术语查找。上述代码从LangChain库导入必要的模块，包括代理和语言模型，它设置了一个具有特定代理配置的会话代理，称为“self-ask-with-search”。此代理是为在会话设置中使用而设计的，它结合了React框架来确定使用哪个工具，并利用内存来记住以前的对话交互。LangChain是一种功能强大的自动化工具，可用于各种任务，它提供了可用于创建agent的各种工具。然后，代码提供两个提示来演示与代理的一次性交互。
Langchain学习心得（三）-Agent
king_21e的博客
07-26 1796
这个笔记本介绍了如何创建自己的自定义代理。代理由两部分组成：工具：代理可用的工具。代理类本身：决定采取什么行动。在这个笔记本中，我们将介绍如何创建自定义代理。tools = [Tool(description="有助于回答有关当前事件的问题","""虚拟自定义代理。"""@propertydef plan("""根据输入决定要做什么。
LangChain 入门学习笔记
engchina的专栏
05-18 1400
LangChain 学习笔记
langchain调用外部工具（学习笔记）
weixin_51590845的博客
09-22 428
langchain调用外部工具，理解LangChain中Agent的实现方式
学习笔记(一)——Langchain基本操作与函数
saltfish920的博客
06-03 1497
之后，我们可以导入相关类并设置我们的链，该链包装模型并添加此消息历史记录。这里的一个关键部分是我们传入的函数。目前，我们正在使用一个高级接口来构建代理，但 LangGraph 的好处是，这个高级接口由一个低级、高度可控的 API 支持，以防你想修改代理逻辑。如果我们选择我们希望使用哪种方法来检索文档，我们可以轻松创建一个可运行的。然后，未来的交互将加载这些消息，并将它们作为输入的一部分传递到链中。如果不进行管理，消息列表将无限制增长，并可能溢出 LLM.因此，添加一个步骤来限制您传入的消息的大小非常重要。
LangChain Agent最全教程学习
2301_81888214的博客
05-06 3180
LangChain Agent的终极指南，本教程是您使用 Python 创建第一个agent的重要指南，请立即开始你的 LLM 开发之旅。
LangChain的Agent使用介绍
pythonhy的博客
06-21 1061
随着各种开源大模型的发布，越来越多的人开始尝试接触和使用大模型。在感叹大模型带来的惊人表现的同时，也发现一些问题，比如没法查询到最新的信息，有时候问一些数学问题时候，会出现错误答案，还有一些专业领域类问题甚至编造回答等等。有没有什么办法能解决这些问题呢？答案就是LangChain。
langchain应用-agent
xiyanxiyan10的专栏
02-19 1096
在 LangChain 中，Agent 是一个代理，接收用户的输入，采取相应的行动然后返回行动的结果。Agent 可以看作是一个自带路由消费 Chains 的代理，基于 MRKL 和的基本原理，Agent 可以使用工具和自然语言处理问题。官方也提供了对应的 Agent，包括 OpenAI Functions Agent、Plan-and-execute Agent、的 Agent 等。Agent 的作用是代表用户或其他系统完成任务，例如数据收集、数据处理、决策支持等。
LangChain 从入门到实战 -六大组件之Agent_langchain agent
lvaolan的博客
08-20 2377
在开始之前，先了解一下 langchain - smith 上提供的 hub 平台，当然这个平台还有其它功能，比如测试应用的流等等其中这个平台提供了很多 prompt 的用例，我们可以通过代码拉取现成的prompt 在langchain中使用我们来看一下这个 promptReAct 是一个结合了推理和行动功能的方法，通过交叉生成推理轨迹和特定于任务的动作，从而实现更大的协同作用。它在问答和决策任务中表现优秀，具有较高的可解释性和可信度。
LangChain Agent 执行过程解析 OpenAI
热门推荐
qq_35361412的博客
03-27 1万+
解析一下LangChain Agent代理是如何执行的
【LangChain】理论及应用实战（5）：Agent
酒酿小圆子呀～
03-17 1604
大模型跟人脑一样存储了大量的知识，我们不仅希望用这些知识来做一些简单的问答，我们更希望它也可以像人一样做一些自主决策，这就意味着要求它能够在没有人参与的情况下独立完成一些具有一定复杂度的任务。这个完成任务的过程就包括将任务切分成一些具体的小任务，以及每一步完成后接下来要做什么等这样的推理过程。langchain中的agent就是基于这种目标的一项功能。Memory（记忆）智能体用来存储和检索历史信息的组件。它允许智能体在多次交互中保持上下文，从而做出更连贯和相关的响应。
langchain-Agent代理详解
weixin_45626120的博客
08-05 1万+
Langchain Agent详解
langchain学习之agent
zc1226的博客
07-02 1305
LangChain 的代理（Agents）是一个强大的工具，可以将语言模型与外部工具结合起来，以便在处理复杂任务时提供更丰富的功能。#自定义from langchain.agents import tool #可以应用任何函数，将其转换成langchain使用的工具#代理也能把''信息看懂来识别这个函数干嘛的@tool'不用输入数据，返回当天日期'model,handle_parsing_errors=True, #遇见了错误，传回model进行处理。
【可能是全网最丝滑的LangChain教程】十九、LangChain进阶之Agents
Jeffray1991的博客
07-29 1803
LangChain 的代理（Agents）模块允许开发者使用语言模型作为推理引擎，以动态确定执行的一系列动作，而不是硬编码这些动作。
langchain搭建agent
04-01
### 如何使用 LangChain 构建和配置 Agent 构建和配置基于 LangChain 的 Agent 是一个涉及多个模块的过程，主要包括定义代理类型、配置工具集以及集成语言模型等核心组件。以下是关于如何利用 LangChain 实现这一过程的具体说明。 #### 定义代理类型 LangChain 提供了多种类型的 Agent 来满足不同的需求，例如反应型 Agent (`create_react_agent`) 和结构化 Agent 等。这些 Agent 类型决定了其行为模式和解决问题的方式[^2]。通过选择合适的 Agent 类型，可以更好地适配具体的应用场景。 #### 配置工具集 (Tools) 为了增强 Agent 的功能，需要为其提供一组预定义的工具集合。每种工具都对应特定的功能逻辑，可以通过装饰器 `@tool` 进行声明并注册到工具列表中。例如，在给定的例子中有如下自定义工具用于计算单词长度： ```python from langchain.agents import tool @tool def get_word_length(word: str) -> int: """Returns the length of a word.""" return len(word) tools = [get_word_length] ``` 此部分展示了如何创建简单实用的小型工具函数，并将其纳入整体架构之中以便后续调用[^5]。 #### 整合语言模型 Agent 的智能化水平很大程度上取决于所使用的语言模型质量及其参数设置情况。因此，在实际操作过程中需指定恰当的语言模型实例并与之前准备好的其他要素相结合形成完整的执行链路——即所谓的 `agent_executor` 对象: ```python from langchain.llms import OpenAI from langchain.agents import create_react_agent model = OpenAI() # 初始化OpenAI LLM agent_executor = create_react_agent(model, tools=tools) ``` 上述代码片段体现了将选定的大规模预训练模型与先前定制化的工具组相连接的操作方法。 #### 应用部署 完成以上准备工作之后即可考虑把组装完毕后的 Agent 投入生产环境当中投入使用。当面对诸如查询数据库记录之类的任务时，经过良好设计调整过的系统能够自动解析输入请求内容进而生成相应的解决方案[^4]。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值