构建LangChain应用程序的示例代码：29、LangChain中的生成代理指南

安装依赖

# 安装termcolor库，用于输出着色
!pip install termcolor > /dev/null

配置日志

import logging

# 设置日志记录级别为ERROR，以避免记录过多的日志信息
logging.basicConfig(level=logging.ERROR)

导入必要的库

from datetime import datetime, timedelta
from typing import List
from langchain.docstore import InMemoryDocstore
from langchain.retrievers import TimeWeightedVectorStoreRetriever
from langchain_community.vectorstores import FAISS
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from termcolor import colored

设置用户名称和语言模型

# 用户名称，用于代理对话时的身份标识
USER_NAME = "Person A"
# 初始化语言模型，这里使用的是ChatOpenAI，可以根据需要更换为其他模型
LLM = ChatOpenAI(max_tokens=1500)

生成性代理记忆组件

# 生成性代理的记忆与LangChain Chat记忆的不同之处在于：
# 记忆形成：生成性代理拥有扩展的记忆，存储在单一的流中，包括：
#      1. 观察 - 来自与虚拟世界的对话或互动，关于自己或他人的信息
#      2. 反思 - 重新浮现并总结核心记忆
# 记忆回忆：使用显著性、时效性和重要性的加权和来检索记忆

创建生成性角色Tommie

import math
import faiss

# 定义相关性评分函数，将分数转换为相似度评分（0到1之间）
def relevance_score_fn(score: float) -> float:
    return 1.0 - score / math.sqrt(2)

# 创建新的向量存储检索器，每个代理独立
def create_new_memory_retriever():
    embeddings_model = OpenAIEmbeddings()
    embedding_size = 1536
    index = faiss.IndexFlatL2(embedding_size)
    vectorstore = FAISS(
        embeddings_model.embed_query,
        index,
        InMemoryDocstore({
   
   }),
        {
   
   }