Kim jest agent w LangChain?

Framework LangChain służy do tworzenia aplikacji wykorzystujących modele językowe. LLM dają ogólne odpowiedzi, nie są ukierunkowane na żadną konkretną dziedzinę, podczas gdy LangChain ma najpotężniejszą cechę, jaką zapewnia do tworzenia łańcuchów, w których użytkownicy mogą łączyć wiele komponentów razem i tworzyć jedną spójną aplikację. LangChain ma wiele modułów, połączeń danych, łańcuchów, agentów, pamięci i wywołań zwrotnych.

W tym artykule omówimy agentów w LangChain ze wszystkich możliwych aspektów

Kim jest agent w LangChain?

Niektóre aplikacje wymagają nie tylko z góry określonych łańcuchów, ale także nieznanego łańcucha, który zależy od danych wejściowych użytkownika. W takim przypadku istnieje „ agent ”, którzy uzyskują dostęp do narzędzia i decydują, które narzędzie jest wymagane, w zależności od wkładu użytkownika i tego, o co prosi. Zestaw narzędzi to w zasadzie zestaw narzędzi potrzebnych do osiągnięcia określonego celu, a w zestawie narzędzi znajduje się 3-5 narzędzi.

Rodzaje agentów LangChain

Istnieją dwaj główni agenci:

Agenci akcji
Agenci planuj i wykonuj

Agenci akcji: Agenci ci decydują, jakie działania podjąć krok po kroku, oceniają każdy krok, a następnie wykonują go i przechodzą do następnego, jeśli omówimy pseudokod agenta, który obejmuje kilka kroków

Dane wejściowe są odbierane od użytkownika.
Agent decyduje o narzędziu i jego rodzaju.
Narzędzie to jest wywoływane za pomocą narzędzia wejściowego i rejestrowana jest obserwacja.
Narzędzie historii, narzędzie do obserwacji i narzędzie do wprowadzania danych są przekazywane z powrotem do agenta.
Powtarzaj ten proces, aż agent zdecyduje się opuścić to narzędzie.

Agenci planuj i wykonuj: Agenci ci najpierw decydują o akcji, którą należy podjąć, a następnie wykonują wszystkie te akcje.

Odebrano dane wejściowe użytkownika.
Agent wyświetla listę wszystkich kroków do wykonania.
Executor przegląda listę kroków, wykonując je.

Konfigurowanie agenta

Przed skonfigurowaniem agenta należy zainstalować najnowszą wersję Pyton zgodnie z systemem operacyjnym.

Krok 1: Instalowanie pakietów
Po pierwsze, musimy stworzyć do tego środowisko, musimy zainstalować LangChain, wyniki wyszukiwania Google i Openai poprzez „ pypeć ' Komenda:

! pypeć zainstalować łańcuch językowy
! pypeć zainstalować wyniki-wyszukiwania google
! pypeć zainstalować otwórz

Importowanie wymaganych bibliotek:

z langchain.schema zaimportuj SystemMessage
z langchain.agents importuj OpenAIFunctionsAgent, AgentExecutor
z narzędzia do importowania langchain.agents
z langchain.chat_models importuj ChatOpenAI
import dot
z getpass import getpass

Krok 2: Zdobądź swój tajny interfejs API
Po skonfigurowaniu środowiska musisz teraz zdobyć tajne klucze API z platformy OpenAI:

openai_api_key = getpass ( )
llm = ChatOpenAI ( openai_api_key =openai_api_key, temperatura = 0 )

Krok 3: Narzędzie inicjujące
Następnie zdefiniujmy narzędzie, pisząc prosty kod w Pythonie, aby uzyskać długość ciągu.

@ narzędzie
def pobierz_word_string ( słowo: ul ) - > int:
„” „podaj mi długość sznurka”. „”
powrót tylko ( słowo )

narzędzia = [ get_word_string ]

Krok 4: Utwórz szablon podpowiedzi
Po zdefiniowaniu narzędzia skonfiguruj szablon podpowiedzi do tego celu „OpenAIFunctionsAgent.create_prompt()” funkcja pomocnicza, która automatycznie utworzy szablon.

system_message = Wiadomość systemowa ( treść = „Jesteś bardzo potężnym asystentem, ale kiepsko radzisz sobie z obliczaniem długości sznurka”. )
zachęta = OpenAIFunctionsAgent.create_prompt ( wiadomość systemowa =wiadomość_systemowa )

Krok 5: Tworzenie agenta
Teraz możemy zakończyć wszystkie elementy i utworzyć agenta za pomocą funkcji o nazwie „OpenAIFunctionsAgent()” .

agent = Agent OpenAIFunctions ( llm =llm, narzędzia =narzędzia, podpowiedź =podpowiedź )

Krok 6: Konfigurowanie środowiska wykonawczego
Jeśli pomyślnie utworzyłeś agenta, utwórz środowisko wykonawcze dla agenta, w tym przypadku „AgentExecutor” będzie używany jako środowisko wykonawcze agenta.

agent_executor = AgentExecutor ( agent =agent, narzędzia =narzędzia, gadatliwy =Prawda )

Krok 7: Testowanie agenta
Po utworzeniu Runtime przyszedł czas na przetestowanie agenta.

agent_executor.run ( „Ile słów ma ten ciąg?” )

Jeśli w kroku 2 wpisałeś poprawny klucz API, otrzymasz odpowiedź.

Wniosek

Artykuł ten został zilustrowany pod wieloma względami, najpierw pokazuje, czym jest LangChain i jak działa, następnie przechodzi do agentów w LangChain, omawia przeznaczenie agentów w LangChain oraz zawiera informacje o dwóch głównych typach agentów „Agenci akcji” I „Agenci planujący i realizujący” używany w LangChain, a na końcu wykonanie kodu polegało na ustanowieniu agenta w LangChain

Kim jest agent w LangChain?