25、探索LangChain代理：从基础到实践应用

探索LangChain代理：从基础到实践应用

1. LangChain代理基础

在使用LangChain构建代理时，了解其基本概念和不同版本的差异至关重要。以查询旧金山天气为例，代理会调用 tavily_search_results_json 工具搜索相关信息，并总结出当前天气状况，包括温度、风速和湿度。

在快速入门阶段，我们学习了创建简单代理并逐步增强其记忆功能，还学会了使用 AIMessage 和 HumanMessage 传递聊天历史和构建消息结构。

2. LangChain v0.1与v0.2代理的差异

LangChain v0.1引入了代理作为构建AI应用的强大工具，但随着库的发展，v0.2版本对代理框架进行了重大改进，主要差异如下表所示：
| 差异点 | LangChain v0.1 | LangChain v0.2 |
| — | — | — |
| 代理初始化 | 需分别指定代理类型、工具、语言模型和其他参数 | 可使用 initialize_agent 函数，根据提供的工具和语言模型自动选择合适的代理类型 |
| 代理类型 | - | 引入新的和改进的代理类型，如 zero-shot-react-description 代理，支持更好的自然语言动作描述； conversational-react-description 代理针对对话式AI应用进行了优化 |
| 工具集成 | - | 简化工具与代理的集成过程， load_tools 函数支持更多开箱即用的工具；可通过子类化 BaseTool 类创建自定义工具 |
| 错误处理和调试 | - | 引入更好的错误处理机制； initialize_agent 函数中的 verbose 参数可启用详细日志记录 |

以下是LangChain v0.2中简化代理初始化的示例代码：

from langchain.agents import load_tools
from langchain.agents import initialize_agent
from langchain.llms import OpenAI

# 加载必要的工具
tools = load_tools(["serpapi", "llm-math"], llm=OpenAI(temperature=0))

# 初始化代理
agent = initialize_agent(tools, OpenAI(temperature=0), agent="zero-shot-react-description", verbose=True)

# 使用查询运行代理
query = "What is the capital of France? What is the population of that city?"
response = agent.run(query)
print(response)

从上述代码可以看出， initialize_agent 函数使初始化过程更加直观和简单。

3. 创建自定义代理

创建自定义代理的步骤如下：
1. 加载语言模型 ：使用OpenAI的 ChatOpenAI 模型，示例代码如下：

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

2. 定义工具 ：以计算单词长度的Python函数为例，代码如下：

from langchain.agents import tool

@tool
def get_word_length(word: str) -> int:
    """Returns the length of a word."""
    return len(word)

get_word_length.invoke("abc")  # 输出: 3

tools = [get_word_length]

3. 创建提示 ：使用 ChatPromptTemplate 创建提示，代码如下：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You are a very powerful assistant, but don't know current events"
        ),
        ("user", "{input}"),
        MessagesPlaceholder(variable_name="agent_scratchpad")
    ]
)

4. 绑定工具到语言模型 ：

llm_with_tools = llm.bind_tools(tools)

5. 创建代理 ：导入实用函数格式化中间步骤并解析输出，代码如下：

from langchain.agents.format_scratchpad.openai_tools import format_to_openai_tool_messages
from langchain.agents.output_parsers.openai_tools import OpenAIToolsAgentOutputParser

agent = (
    {
        "input": lambda x: x["input"],
        "agent_scratchpad": lambda x: format_to_openai_tool_messages(x["intermediate_steps"])
    }
    | prompt
    | llm_with_tools
    | OpenAIToolsAgentOutputParser()
)

from langchain.agents import AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

6. 测试代理 ：

list(agent_executor.stream({"input": "How many letters in the word first"}))

运行上述代码，代理将成功使用 get_word_length 工具回答问题。

7. 添加记忆 ：若要让代理记住之前的交互并进行更自然的对话，可按以下步骤操作：
   • 在提示中添加聊天历史占位符：

MEMORY_KEY = "chat_history"
prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You are a very powerful assistant, but bad at calculating lengths of words."
        ),
        MessagesPlaceholder(variable_name=MEMORY_KEY),
        ("user", "{input}"),
        MessagesPlaceholder(variable_name="agent_scratchpad")
    ]
)

- 设置列表跟踪聊天历史：

from langchain_core.messages import AIMessage, HumanMessage
chat_history = []

- 更新代理和`AgentExecutor`以包含聊天历史：

agent = (
    {
        "input": lambda x: x["input"],
        "agent_scratchpad": lambda x: format_to_openai_tool_messages(x["intermediate_steps"]),
        "chat_history": lambda x: x["chat_history"]
    }
    | prompt
    | llm_with_tools
    | OpenAIToolsAgentOutputParser()
)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

- 跟踪输入和输出作为聊天历史：

input1 = "how many letters in the word first?"
result = agent_executor.invoke({"input": input1, "chat_history": chat_history})
chat_history.extend(
    [
        HumanMessage(content=input1),
        AIMessage(content=result["output"])
    ]
)
agent_executor.invoke({"input": "is that a real word?", "chat_history": chat_history})

4. 代理的实际应用 - 客户支持自动化

对于有不断增长客户群的企业，使用代理自动化和简化客户支持流程是一个不错的选择。以下是实现客户支持自动化的步骤：
1. 识别常见客户咨询 ：
- 分析客户支持数据，找出最常问的问题和常见问题。
- 将这些咨询分类为不同的主题，如产品信息、故障排除、账单等。
2. 创建知识库 ：
- 编制涵盖已识别主题的全面知识库，为常见问题提供清晰简洁的答案。
- 将知识库组织成结构化格式，如常见问题解答页面、产品文档或故障排除指南。
3. 设置代理 ：
- 使用LangChain代理框架构建客户支持自动化系统。
- 安装并导入必要的库：

%pip install --upgrade --quiet langchain-openai tavily-python langchain_community langchain_openai
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

4. 定义工具和记忆 ：
   • 创建允许代理访问和检索知识库信息的工具：

def search_knowledge_base(query):
    # 实现基于查询搜索知识库的逻辑
    # 返回最相关的答案或信息
    pass

tools = [
    Tool(
        name="Knowledge Base Search",
        func=search_knowledge_base,
        description="Useful for searching the knowledge base for answers to customer inquiries."
    )
]

- 设置内存对象存储对话历史：

memory = ConversationBufferMemory(memory_key="chat_history")

5. 初始化代理 ：

agent = initialize_agent(
    tools,
    OpenAI(temperature=0),
    agent="conversational-react-description",
    verbose=True,
    memory=memory
)

6. 将代理集成到客户支持渠道 ：
   • 实现用户界面，如聊天机器人或网页表单，让客户与代理交互。
   • 使用代理处理传入的客户咨询：

def handle_inquiry(inquiry):
    response = agent.run(inquiry)
    return response

# 示例用法
customer_inquiry = "How can I reset my account password?"
response = handle_inquiry(customer_inquiry)
print(response)

7. 监控和改进 ：
   • 持续监控客户支持自动化系统的性能。
   • 收集客户反馈，分析代理响应的有效性。
   • 根据反馈和确定的改进领域迭代和改进知识库和代理的能力。

以下是一个完整的基本客户支持自动化代码示例：

%pip install --upgrade --quiet langchain-openai tavily-python langchain_community langchain_openai
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
import os
from dotenv import load_dotenv

# 从.env文件加载环境变量
load_dotenv()

# 从环境变量获取OpenAI API密钥
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

# 导入新的聊天完成API
os.environ["OPENAI_API_KEY"] = "Your openAI key"

# 定义知识库搜索函数
def search_knowledge_base(query):
    # 实现基于查询搜索知识库的逻辑
    # 返回最相关的答案或信息
    # 这里是一个返回预定义响应的简单示例
    if "password reset" in query.lower():
        return "To reset your account password, please follow these steps:\n1. Go to the login page.\n2. Click on the 'Forgot Password' link.\n3. Enter your registered email address.\n4. Check your email inbox for a password reset link.\n5. Follow the instructions in the email to create a new password."
    else:
        return "I apologize, but I couldn't find a specific answer to your question in our knowledge base. Please provide more details or contact our support team directly for further assistance."

# 设置工具和内存
tools = [
    Tool(
        name="Knowledge Base Search",
        func=search_knowledge_base,
        description="Useful for searching the knowledge base for answers to customer inquiries."
    )
]
memory = ConversationBufferMemory(memory_key="chat_history")

# 初始化代理
agent = initialize_agent(
    tools,
    OpenAI(temperature=0),
    agent="conversational-react-description",
    verbose=True,
    memory=memory
)

# 处理客户咨询
def handle_inquiry(inquiry):
    response = agent.run(inquiry)
    return response

# 示例用法
customer_inquiry = "How can I reset my account password?"
response = handle_inquiry(customer_inquiry)
print(response)

运行此代码，代理将输出重置账户密码的预定义响应。

通过以上步骤和示例，我们可以看到如何使用LangChain构建和定制智能代理，以满足不同的实际需求，使AI应用更加高效和有效。

探索LangChain代理：从基础到实践应用

5. 代理类型及适用场景分析

不同类型的代理在LangChain中有各自独特的特点和适用场景，以下为您详细介绍：
| 代理类型 | 特点 | 适用场景 |
| — | — | — |
| Zero - Shot - React代理 | 无需示例即可根据任务描述执行操作，快速响应新任务 | 处理临时、多样化的任务，如简单的信息查询 |
| 结构化聊天代理 | 适合处理具有多个输入的工具，能更好地组织对话结构 | 处理复杂的多步骤任务，如多参数的查询或操作 |
| ReAct代理 | 结合推理和行动，能在执行过程中进行推理和决策 | 需要逻辑推理和逐步执行的任务，如问题解决类任务 |
| 对话代理 | 针对对话式AI应用进行优化，能进行自然、连贯的对话 | 聊天机器人、客户支持等对话场景 |

6. 代理开发中的关键要点

在开发代理时，有几个关键要点需要特别注意：
- 明确目标 ：在设计代理之前，要清晰地定义其目标，这是确保代理有效工作的基础。例如，如果是开发客户支持代理，目标就是高效准确地回答客户问题。
- 工具选择与描述 ：
- 选择合适的工具是提升代理能力的关键。要根据代理的目标和任务需求选择工具，如搜索工具、计算工具等。
- 对工具进行清晰、简洁的描述至关重要。代理需要通过工具描述来理解如何使用工具，例如在定义 get_word_length 工具时，清晰的文档字符串能帮助代理正确调用该工具。
- 添加记忆 ：为代理添加记忆功能可以使其进行更自然、上下文感知的对话。如在客户支持场景中，代理能记住客户之前的问题，提供更连贯的回答。

7. 代理开发流程总结

下面是一个使用mermaid绘制的代理开发流程图，展示了从设计到部署的主要步骤：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px;

    A([开始设计代理]):::startend --> B(定义代理目标):::process
    B --> C(选择合适的代理类型):::process
    C --> D(选择和定义工具):::process
    D --> E(加载语言模型):::process
    E --> F(创建提示):::process
    F --> G(绑定工具到语言模型):::process
    G --> H(创建代理):::process
    H --> I{是否需要记忆功能?}:::decision
    I -->|是| J(添加记忆功能):::process
    I -->|否| K(测试代理):::process
    J --> K
    K --> L(优化和改进):::process
    L --> M([部署代理]):::startend

8. 总结与展望

通过前面的介绍，我们了解了如何使用LangChain构建、定制和部署智能代理。这些代理可以根据具体需求进行定制，自主处理复杂任务，使AI应用更加高效和有效。

在未来的开发中，我们可以进一步探索以下方向：
- 集成更多工具 ：不断扩展代理的工具库，使其能够处理更广泛的任务，如集成更多的API工具、数据分析工具等。
- 优化性能 ：通过优化代理的算法和架构，提高其响应速度和处理效率，特别是在处理大规模数据和复杂任务时。
- 多模态支持 ：使代理能够处理多种模态的信息，如图像、语音等，进一步拓展其应用场景，如开发支持语音交互的客户支持代理。

总之，LangChain为我们提供了一个强大的平台，让我们能够轻松地开发出满足各种需求的智能代理，未来的应用前景十分广阔。