langchain学习之agent

系列文章目录

第一部分 langchain入门以及prompt、解析器使用

第二部分langchain学习之memory机制

第三部分langchain学习之chain机制

文章目录

• 系列文章目录
• 前言
• 一、导入需要的库
• 二、准备模型
• 三、使用网上的工具
• 四、代理写代码
• 五、自定义写方法
• 总结

前言

LangChain 的代理（Agents）是一个强大的工具，可以将语言模型与外部工具结合起来，以便在处理复杂任务时提供更丰富的功能。

一、导入需要的库

有些库会更新，如用不了在langchain查找导入就行

# from langchain.agents.agent_toolkits import create_python_agent  # 移走了
# from langchain.tools.python.tool import PythonREPLTool           # 移走了
# from langchain.python import PythonREPL                          # 移走了
from langchain_experimental.agents.agent_toolkits import create_python_agent
from langchain_experimental.tools.python.tool import PythonREPLTool
from langchain.agents import load_tools, initialize_agent, AgentType
from langchain_experimental.utilities import PythonREPL
from langchain_wenxin.chat_models import ChatWenxin

二、准备模型

创建LLMChain的大模型，这里我们用的是文心大模型

WENXIN_APP_Key = "xxx"
WENXIN_APP_SECRET = "xxx"

model = ChatWenxin(
    temperature=0.9,
    model="ernie-bot-turbo",
    baidu_api_key = WENXIN_APP_Key,
    baidu_secret_key = WENXIN_APP_SECRET,
    verbose=True, # 
    )

三、使用网上的工具

这里使用llm-math和wikipedia维基百科，如果输入的语句没用到这两个工具可以加前缀使用xx工具来使用，或者直接使用大模型来识别。

!pip install -q wikipedia
#加载两个工具
tools = load_tools(['llm-math','wikipedia'],llm=model)agent = initialize_agent(
        tools,
        model,
        agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
        handle_parsing_errors=True,  #遇见了错误，传回model进行处理
        verbose=True
)
#数学
agent('what is the answer about 30 + 2')
#wikipedia维基百科
question = '能在wikipedia上看看中国的历史有多少年了'
res = agent(question)

四、代理写代码

使用PythonREPLTool可以实现写代码，或者直接使用大模型写。

agent = create_python_agent(
        model,
        tool=PythonREPLTool(),
        verbose=True
)
agent.run('写一个python代码，关于a=3，b=4,c=a+b的')

结果如图所示：

五、自定义写方法

使用@tool可以自定义，这里演示的是求当天日期。

#自定义
from langchain.agents import tool  #可以应用任何函数，将其转换成langchain使用的工具
from datetime import date

#代理也能把''信息看懂来识别这个函数干嘛的
@tool  
def time(text:str)-> str:
    '不用输入数据，返回当天日期'
    return str(date.today())

agent = initialize_agent(
        tools+[time],
        model,
        agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
        handle_parsing_errors=True,  #遇见了错误，传回model进行处理
        verbose=True
)
agent.run('使用time工具，告诉我今天的日期')

结果如图所示：

总结

通过组合多个工具，代理可以处理更复杂的任务。例如，除了搜索工具，还可以定义计算、翻译等工具，代理可以根据查询自动选择和调用这些工具。
LangChain 代理是一个非常灵活和强大的工具，通过定义和组合不同的工具，可以处理多种复杂的任务。代理可以根据用户的输入自动选择和调用适当的工具，从而提供丰富的功能和更好的用户体验。