8-langChian开发agent智能体

最新推荐文章于 2025-05-29 09:43:06 发布

吴法刚

最新推荐文章于 2025-05-29 09:43:06 发布

阅读量84

点赞数

分类专栏： AI 文章标签： langchain 人工智能 pytorch 机器学习 python

本文链接：https://blog.youkuaiyun.com/wufagang/article/details/146084881

版权

AI 专栏收录该内容

28 篇文章

订阅专栏

8-langChian开发agent智能体

创建和运行 Agent
概念
创建代理程序
添加记忆

创建和运行 Agent

单独来说，语言模型无法采取行动 - 它们只能输出文本。

LangChain 的一个重要用例是创建代理。

代理是使用 LLM 作为推理引擎的系统，用于确定应采取哪些行动以及这些行动的输入应该是什么。

然后可以将这些行动的结果反馈给代理，并确定是否需要更多行动，或者是可以结束。

在本次课程中，我们将构建一个可以与多种不同工具进行交互的代理：一个是本地数据库，另一个是搜索引擎。您将能够向该代理提问，观察它调用工具，并与它进行对话。

下面将介绍使用 LangChain 代理进行构建。LangChain 代理适合入门，但在一定程度之后，我们可能希望拥有它们无法提供的灵活性和控制性。要使用更高级的代理，我们建议查看 LangGraph。

概念

我们将涵盖的概念包括：

使用语言模型，特别是它们的工具调用能力
创建检索器以向我们的代理公开特定信息
使用搜索工具在线查找信息
聊天历史，允许聊天机器人“记住”过去的交互，并在回答后续问题时考虑它们。
使用 LangSmith 调试和跟踪您的应用程序

在这里插入图片描述

from tavily import TavilyClient
tavily_client = TavilyClient()
response = tavily_client.search("Who is Leo Messi?")

print(response)

在这里插入图片描述

# 导入所需模块
# pip install fastembed
#  pip install faiss-cpu

import os

from langchain_core.tools import create_retriever_tool

os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
os.environ["TOKENIZERS_PARALLELISM"] = "True"

# 然后继续执行你的代码

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

# 加载文档
loader = TextLoader("../example_data/cat/cat.txt")
documents = loader.load()

# 文本切分
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(documents)

# 嵌入向量表示
# embeddings = OpenAIEmbeddings()
# pip install fastembed
from langchain_community.embeddings import FastEmbedEmbeddings

fastembed = FastEmbedEmbeddings()
vectorstore = FAISS.from_documents(texts, fastembed)  # 使用FAISS向量存储

retriever = vectorstore.as_retriever()
print(retriever.invoke("猫的特征")[0])

retriever_tool = create_retriever_tool(retriever, "serach_badu_baike", "百度百科")

在这里插入图片描述

创建代理程序

在这里插入图片描述

# 导入所需模块
# pip install fastembed
#  pip install faiss-cpu

import os

from langchain_community.tools import TavilySearchResults
from langchain_core.tools import create_retriever_tool
from langchain_openai import ChatOpenAI

os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
os.environ["TOKENIZERS_PARALLELISM"] = "True"

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import FAISS
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.embeddings import FastEmbedEmbeddings

# 加载文档
loader = TextLoader("../example_data/cat/cat.txt")
documents = loader.load()

# 文本切分
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(documents)

fastembed = FastEmbedEmbeddings()
vectorstore = FAISS.from_documents(texts, fastembed)  # 使用FAISS向量存储

retriever = vectorstore.as_retriever()
print(retriever.invoke("猫的特征")[0])

retriever_tool = create_retriever_tool(retriever, "serach_badu_baike", "百度百科")

llm = ChatOpenAI(
    model='qwen-plus',
    openai_api_base='https://dashscope.aliyuncs.com/compatible-mode/v1',
    max_tokens=1024
)

search = TavilySearchResults(max_result =1)

tools = [search, retriever_tool]

from langchain import hub
prompt = hub.pull("hwchase17/openai-functions-agent")
print(prompt.messages)

from langchain.agents import create_tool_calling_agent

agent = create_tool_calling_agent(llm, tools, prompt)

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=tools)

print(agent_executor.invoke({"input":"猫的特征，北京的天气"}))

在这里插入图片描述

{'input': '猫的特征，北京的天气', 'output': '猫的特征如下：\n\n猫有276种不同的面部表情，这些表情可能是在其与人类相处的过程中逐步进化出来的。它们共有26种独特面部动作，如瞳孔放大或收缩、舔鼻子、延长或缩回胡须、不同的耳朵位置等。\n\n猫体型小，体色由蓝灰色到棕黄色不等，身长一般在0.3-0.5米之间。全身毛被密而柔软，锁骨小，吻部短，眼睛圆，颈部粗壮，四肢较短，足下有数个球形肉垫；舌面被有角质层的丝状钩形乳突。雄性头部较为粗圆，个体较大。猫有多种毛色，身形像狸，外貌像老虎，毛柔而齿利（有几乎无毛的品种）。以尾长腰短，目光如金银，上腭棱多的为佳。猫的身体分为头、颈、躯干、四肢和尾五部分，大多数部位披毛，少数为无毛猫。猫的趾底有脂肪质肉垫，因而行走无声，捕鼠时不会惊跑鼠，趾端生有锐利的趾甲。爪能够缩进和伸出。猫在休息和行走时爪缩进去，只在捕鼠和攀爬时伸出来，防止趾甲被磨钝。猫的前肢有五趾，后肢有四趾。猫的牙齿分为门齿、犬齿和臼齿。犬齿特别发达，尖锐如锥，适于咬死捕到的鼠类，臼齿的咀嚼面有尖锐的突起，适于把肉嚼碎；门齿不发达。\n\n北京的天气预报如下：\n\n根据多个来源的数据汇总，近期北京的天气预计会有晴天和多云的情况，气温有所波动。白天最高温度在1℃至14℃之间，夜间最低温度在-10℃至-4℃之间。风向主要为微风，西南风和北风交替出现，风力等级通常小于3级。具体温度和天气情况可能会有所不同，请参考最新的天气预报进行出行计划。'}

在这里插入图片描述

添加记忆

在这里插入图片描述

# 导入所需模块
# pip install fastembed
#  pip install faiss-cpu

import os

from langchain_community.tools import TavilySearchResults
from langchain_core.chat_history import BaseChatMessageHistory
from langchain_core.messages import HumanMessage, AIMessage
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_core.tools import create_retriever_tool
from langchain_openai import ChatOpenAI

os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
os.environ["TOKENIZERS_PARALLELISM"] = "True"

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import FAISS
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.embeddings import FastEmbedEmbeddings

# 加载文档
loader = TextLoader("../example_data/cat/cat.txt")
documents = loader.load()

# 文本切分
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(documents)

fastembed = FastEmbedEmbeddings()
vectorstore = FAISS.from_documents(texts, fastembed)  # 使用FAISS向量存储

retriever = vectorstore.as_retriever()
print(retriever.invoke("猫的特征")[0])

retriever_tool = create_retriever_tool(retriever, "serach_badu_baike", "百度百科")

llm = ChatOpenAI(
    model='qwen-plus',
    openai_api_base='https://dashscope.aliyuncs.com/compatible-mode/v1',
    max_tokens=1024
)

search = TavilySearchResults(max_result =1)

tools = [search, retriever_tool]

from langchain import hub
prompt = hub.pull("hwchase17/openai-functions-agent")
print(prompt.messages)

from langchain.agents import create_tool_calling_agent

agent = create_tool_calling_agent(llm, tools, prompt)

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=tools)

store = {}

from langchain_community.chat_message_histories import ChatMessageHistory
def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if(session_id not in store):
        store[session_id] = ChatMessageHistory()
    return store[session_id]
agent_with_chat_history = RunnableWithMessageHistory(agent_executor,
                                                     get_session_history,
                                                     input_messages_key="input",
                                                     history_messages_key="chat_history")

response = agent_with_chat_history.invoke({"input":"his 我的名字是Jack"},
                               config={"configurable":{"session_id":"123"}})
print(response)

response = agent_with_chat_history.invoke({"input":"his 我的名字叫什么"},
                               config={"configurable":{"session_id":"123"}})
print(response)

response = agent_with_chat_history.invoke({"input":"his 我的名字叫什么"},
                               config={"configurable":{"session_id":"456"}})
print(response)