AI菜鳥向前飛 — LangChain系列之十四 - Agent系列：從現象看機制（上篇）

上一篇介紹了Agent與LangGraph的基礎技能Tool的必知必會

AI菜鳥向前飛 — LangChain系列之十三 - 關于Tool的必知必會

前面已經詳細介紹了Promp、RAG，終于來到Agent系列（別急后面還有LangGraph），大家可以先看下這張圖：? ??看完我這系列就都懂了：）

牛刀初試

????由于本篇是入門，我們直接邊看程序邊熟悉整個過程吧先以BaseTool的方式實現一個Tool，代碼如下：

class search_article(BaseTool):name = "search_article"description = "查詢所有的文章來源"def _run(self, topic: str):return chain_rag.invoke({"question": topic})

關于chain_rag的內容，請參考我的這篇公眾號文章

LangChain實戰技巧之二：RunnablePassthrough.assign的兩則妙用

我們看看兩種Agent的“書寫”方式

第一種

agent = (RunnablePassthrough.assign(agent_scratchpad=lambda x: format_to_tool_messages(x["intermediate_steps"]))| hub.pull("hwchase17/openai-tools-agent")| model.bind_tools(tools=[search_article()])| ToolsAgentOutputParser()
)

第二種

agent = create_tool_calling_agent(prompt=hub.pull("hwchase17/openai-tools-agent"), llm=model, tools=[search_article()])

你喜歡哪種呢？

接下來你是不是想執行看看效果，結果會讓你大跌眼鏡、你沒有眼鏡的話配一個先～

res = agent.invoke({"input": "AI菜鳥向前飛系列文章出自哪里?", "intermediate_steps": []})

這里為什么要加這個"intermediate_steps"，不加會報錯，不信你試試，若要知道這個機制請看下篇：）

輸出結果

# 輸出了這樣一坨
[ToolAgentAction(tool='search_article', tool_input={'topic': 'AI菜鳥向前飛'}, log="\nInvoking: `search_article` with `{'topic': 'AI菜鳥向前飛'}`\n\n\n", message_log=[AIMessage(content='', additional_kwargs={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'd12bfa56-e394-48a0-bff1-97f76dabe92f', 'tool_calls': [{'id': '5617aa7b3ed74d1789befac4b6a9d573', 'function': {'name': 'search_article', 'arguments': '{"topic": "AI\\u83dc\\u9e1f\\u5411\\u524d\\u98de"}'}, 'type': 'function'}], 'token_count': {'output_tokens': 12}}, response_metadata={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'd12bfa56-e394-48a0-bff1-97f76dabe92f', 'tool_calls': [{'id': '5617aa7b3ed74d1789befac4b6a9d573', 'function': {'name': 'search_article', 'arguments': '{"topic": "AI\\u83dc\\u9e1f\\u5411\\u524d\\u98de"}'}, 'type': 'function'}], 'token_count': {'output_tokens': 12}}, id='run-592cded4-3fb7-48d3-99d7-87166d7bb232-0', tool_calls=[{'name': 'search_article', 'args': {'topic': 'AI菜鳥向前飛'}, 'id': '092624d480bd461daacc54fdda64c7b5'}])], tool_call_id='092624d480bd461daacc54fdda64c7b5')]

直截了當看結果

????通常的教法，應該是你需要引入AgentExecutor，而如果我也是這樣跟大家介紹的話，就不是我這個系列的風格了：）

????如果用AgentExecutor的話，代碼如下：

agent_executor = AgentExecutor(agent=agent, tools=[search_article()], verbose=True)
# 然后再invoke就能得到你想要的
agent_executor.invoke("AI菜鳥向前飛系列文章出自哪里?")

????直截了當

{'input': 'AI菜鳥向前飛系列文章出自哪里?', 'output': 'AI菜鳥向前飛系列文章出自Song榆錢兒的公眾號。'}

（換個方式）直奔Agent

????但是跑題了，我們主要講的是Agent，而不是AgentExecutor，也就是說如果僅用Agent呢？

????看到輸出內容

[ToolAgentAction(tool='search_article', tool_input={'topic': 'AI菜鳥向前飛'}, ……

????聰明的小伙伴可以用Python去解決問題，如下：

# 為啥這里要用這個，因為它是列表啊，為啥是列表，以后再介紹
for each in res:result = {"search_article": search_article()}[each.tool].invoke(each.tool_input)print(result)

????最后它確實被執行，結果如下：

content='AI菜鳥向前飛系列文章是出自公眾號"Song榆錢兒"的原創作品。截至目前，該系列已經有20多篇原創文章，并且擁有109名關注者。' additional_kwargs={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'f12940a2-38de-4bba-a7b0-254f40c90596', 'token_count': {'input_tokens': 156, 'output_tokens': 44}} response_metadata={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'f12940a2-38de-4bba-a7b0-254f40c90596', 'token_count': {'input_tokens': 156, 'output_tokens': 44}} id='run-f7cc290b-34f8-4eca-bcfa-85c3bcf2b74e-0'

也就是都是RAG的“功勞”，上面代碼提到的：

………………
return chain_rag.invoke({"question": topic})

柳暗花明

????各位看官會想，這跟我單獨執行Tool函數有啥區別，繞了一個大圈子，這秘密就存在于"intermediate_steps"當中（賣個關子，后面介紹）先看如下代碼：

intermediate_steps = []
while not isinstance(res := agent.invoke({"input": "AI菜鳥向前飛系列文章出自哪里?", "intermediate_steps": intermediate_steps}), AgentFinish):for each in res:func_ret = {"search_article": search_article()}[each.tool].invoke(each.tool_input)intermediate_steps.append((each, func_ret.content))

????是不是感覺跟用AgentExecutor一樣了：）

簡述ReAct

????最后分享一個聊到Agent 大部分博文都會提到的ReAct （Reason Act），以一個示例來演示下吧，各處重要內容，我都加上了注釋來為大家解釋：）

> Entering new AgentExecutor chain...
# 思考
Thought: I can answer this question by searching for the source of the "AI菜鳥向前飛" series.# 行動
Action: search_article
Action Input: AI菜鳥向前飛# 觀察
Observation content='AI菜鳥向前飛系列文章是出自Song榆錢兒的公眾號。該系列文章目前已經有20多篇原創文章，并且已有109人關注。' additional_kwargs={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'e07bf920-967a-4269-bae0-6acd4358a90f', 'token_count': {'input_tokens': 158, 'output_tokens': 38}} response_metadata={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'e07bf920-967a-4269-bae0-6acd4358a90f', 'token_count': {'input_tokens': 158, 'output_tokens': 38}} id='run-efd02271-a86f-4dee-bd0e-0e9133efd7b7-0'
# 找到正解
Final Answer: AI菜鳥向前飛系列文章出自Song榆錢兒的公眾號。該系列文章目前已經有20多篇原創文章，并且已有109人關注。> Finished chain.
{'input': 'AI菜鳥向前飛系列文章出自哪里?', 'output': 'AI菜鳥向前飛系列文章出自Song榆錢兒的公眾號。該系列文章目前已經有20多篇原創文章，并且已有109人關注。'}

原理過程圖：關于這張圖，后面若大家有需要我再詳細深入講解

敬請期待下一篇：）

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/web/15578.shtml
繁體地址，請注明出處：http://hk.pswp.cn/web/15578.shtml
英文地址，請注明出處：http://en.pswp.cn/web/15578.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！