利用LangChain构建智能多工具Agent：从基础到进阶_langchain构建能够采取多部措施的agent-优快云博客

本文链接：https://blog.youkuaiyun.com/sjufgwgfhoia/article/details/144406647

引言

在大数据和人工智能的时代，我们不再满足于简单的问答系统。借助像LangChain这样的工具，我们可以打造智能的、可交互的Agent，这些Agent不仅可以回答问题，还能自主决定使用何种工具或资源来获取信息。在本文中，我们将探讨如何使用LangChain的AgentExecutor（传统模型）构建一个可与本地数据库和搜索引擎交互的Agent，从而实现更复杂的对话和信息检索。

主要内容

使用语言模型

语言模型本身只能生成文本输出，但通过结合LangChain的功能，我们可以让它们调用工具。我们将使用LLM作为推理引擎，指导其进行动作决策。

创建信息检索器

我们将创建一个Retriever，通过本地索引暴露特定信息给我们的Agent。这一步包含下载网页数据，拆分文档，并将其嵌入向量空间。

使用搜索工具

通过Tavily搜索引擎，我们可以让Agent在线搜索信息。需要注意的是，由于API调用的限制，您可能需要使用API代理服务来保证访问的稳定性。

添加聊天历史

为了提高交互的连续性和智能性，我们将在系统中集成聊天历史记录模块，使Agent能"记住"过去的对话。

调试和追踪

借助LangSmith，我们可以对应用程序进行调试和追踪，观察Agent在运行过程中的决策和调用。

代码示例

以下是一个完整的示例代码，展示了如何定义和运行一个LangChain Agent：

# 安装所需库
!pip install langchain langchain-openai langchain_community

import os
from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain.tools.retriever import create_retriever_tool
from langchain.agents import create_tool_calling_agent, AgentExecutor

# 配置环境变量
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "<你的API密钥>"

# 定义工具
search = TavilySearchResults(max_results=2)
loader = WebBaseLoader("https://docs.smith.langchain.com/overview")
docs = loader.load()
documents = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200).split_documents(docs)
vector = FAISS.from_documents(documents, OpenAIEmbeddings())
retriever = vector.as_retriever()
retriever_tool = create_retriever_tool(retriever, "langsmith_search", "Search for information about LangSmith.")

# 使用语言模型
model = ChatOpenAI(model="gpt-4")

# 绑定工具
tools = [search, retriever_tool]
model_with_tools = model.bind_tools(tools)

# 创建Agent和Executor
prompt = "You are a helpful assistant"
agent = create_tool_calling_agent(model, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)

# 运行Agent
response = agent_executor.invoke({"input": "What's the weather in SF?"})
print(response['output'])

常见问题和解决方案

API访问问题：若遇到API访问不稳定，可以考虑使用API代理服务。
工具调用失败：确保提供了正确的API密钥，并检查工具配置是否正确。
模型响应不符合预期：可以调整Agent的Prompt或切换不同的LLM以优化结果。

总结与进一步学习资源

本文介绍了如何使用LangChain构建一个基础的Agent。对于需要更高自由度和控制的应用场景，我们建议查看LangGraph以及相关的扩展指南：

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

—END—