在構建智能 AI 助手時，我們希望模型能夠智能地調用工具，以便提供準確的信息。LangChain 提供了 AgentType.ZERO_SHOT_REACT_DESCRIPTION，它結合了 ReAct（Reasoning + Acting）策略，使得 LLM 可以基于工具的描述智能選擇合適的工具進行推理和執行。本文將介紹該類型 Agent 的核心原理，并通過示例展示其應用。

1. ZERO_SHOT_REACT_DESCRIPTION 簡介

AgentType.ZERO_SHOT_REACT_DESCRIPTION 采用了 ReAct 框架，主要特點包括：

• 零樣本學習（Zero-Shot）：無需提供示例，LLM 通過工具的描述來決定如何使用它們。
• 自適應推理（ReAct）：LLM 通過思考和行動循環決定調用哪個工具。
• 工具可擴展：可以動態地向 Agent 添加新的工具。

這種方式特別適用于開放域問答場景，例如查詢天氣、獲取時間、計算數值等。

2. 代碼示例

下面是一個完整的 ZERO_SHOT_REACT_DESCRIPTION 示例，我們定義了兩個工具：

• get_weather(location: str): 獲取指定城市的天氣信息。
• get_time(location: str): 獲取指定城市的當前時間。

然后，我們使用 LangChain 的 initialize_agent 方法初始化一個智能 Agent，并使用 Ollama LLM 作為后端大模型。

代碼實現

from langchain.agents import initialize_agent, AgentType
from langchain.tools import Tool
from langchain_ollama import OllamaLLM# 定義工具
def get_weather(location: str):return f"{location} 的天氣是晴天，溫度 25°C"def get_time(location: str):return f"{location} 的當前時間是 12:00 PM"weather_tool = Tool(name="get_weather",func=get_weather,description="獲取城市天氣信息，輸入城市名稱"
)time_tool = Tool(name="get_time",func=get_time,description="獲取城市當前時間，輸入城市名稱"
)# 初始化 Agent
llm = OllamaLLM(model="llama3:8b", temperature=0)agent = initialize_agent(tools=[weather_tool, time_tool],llm=llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)# 讓 LLM 選擇合適的工具
response = agent.run("告訴我上海當前時間")
print(response)

代碼解析

1. 定義工具

   • get_weather(location: str): 返回固定天氣信息。
   • get_time(location: str): 返回固定時間信息。
   • Tool 結構體用于封裝工具，包括名稱、調用函數和描述。

2. 初始化 LLM 和 Agent

   • 使用 OllamaLLM(model="llama3:8b", temperature=0) 作為 LLM。
   • 使用 initialize_agent 方法創建 Agent，并指定 AgentType.ZERO_SHOT_REACT_DESCRIPTION。
   • Agent 通過工具的 description 選擇合適的工具。

3. 運行 Agent

   • Agent 接受用戶輸入 告訴我上海當前時間，然后決定調用 get_time。
   • 最終輸出 上海的當前時間是 12:00 PM。

3. AgentType.ZERO_SHOT_REACT_DESCRIPTION 的核心機制

該 Agent 類型基于 ReAct 框架工作，流程如下：

1. 模型解析用戶輸入

   • LLM 讀取用戶的請求，如 告訴我上海當前時間。

2. Agent 選擇合適的工具

   • LLM 根據工具的 description 確定使用 get_time。
   • 生成相應的函數調用。

3. 執行工具調用并返回結果

   • Agent 執行 get_time("上海")。
   • 返回 上海的當前時間是 12:00 PM。

4. 響應用戶

   • Agent 將結果輸出給用戶。

4. ZERO_SHOT_REACT_DESCRIPTION 的應用場景

AgentType.ZERO_SHOT_REACT_DESCRIPTION 適用于以下場景：

• 問答系統：基于多種工具提供智能問答，如天氣查詢、匯率轉換、時間查詢等。
• 企業客服：可以根據客戶的輸入選擇合適的 API 調用，自動化處理查詢。
• 自動化任務執行：如調用不同的數據庫查詢接口、自動化執行不同任務等。

5. 結論

本文詳細介紹了 AgentType.ZERO_SHOT_REACT_DESCRIPTION，并通過示例展示了如何在 LangChain 中使用它來創建智能 Agent。其主要優勢包括零樣本學習、自動推理與工具調用，適用于智能問答和自動化任務執行。希望本文能幫助你更好地理解和應用 LangChain 的 Agent 機制！

參考
LangChain教程 - Agent - 支持 9 種 ReAct 交互
J-LangChain - Agent - 0~1 編排一個 ReAct 反應鏈