深入浅出 langchain4. Agent and Tools

示例

还是从一个简单的代码示例开始

PYTHON

from langchain.agents import create_tool_calling_agent  
  
agent = create_tool_calling_agent(llm, tools, prompt)

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

我们可以从这个示例里面看到通过了create_tool_calling_agent方法创建出来了一个agent, 传递了三个参数:

llm 我们使用的大模型
tools 可以使用的工具, 也可以认为就是functions,函数
prompt 提示词, 这个没有什么需要补充的

传递的tools有个别名, function_calls

那我们就会有个疑问什么是tool?

Tool

我们可以看下官方解释:

Tools are interfaces that an agent, chain, or LLM can use to interact with the world. They combine a few things:

The name of the tool
A description of what the tool is
JSON schema of what the inputs to the tool are
The function to call
Whether the result of a tool should be returned directly to the user

其实跟我们平常理解的函数是很像的, 需要描述Tool的名称作用输入输出.
可以认为这Tool 其实就是callback, 当AI认为需要使用这个方法的时候, 就会调用到这里

创建Tool

PYTHON

@tool  
def search(query: str) -> str:  
"""Look up things online."""  
return "LangChain"

有了Tool 的含义解释, 那么也就很容易理解agent的含义了

Agent

Agent就像是一个推理的任务中心, 当你咨询某个问题的时候, 他会推理这个问题是否需要借助某些工具(Tool)来实现, 如果需要就会调用到这个Tool

一个最简单的例子就是搜索功能, 绕过LLM的知识库限制

PYTHON

from langchain.agents import AgentExecutor, create_tool_calling_agent  
from langchain_community.tools.tavily_search import TavilySearchResults  
from langchain_core.prompts import ChatPromptTemplate  
  
tools = [TavilySearchResults(max_results=1)]
prompt = ChatPromptTemplate.from_messages(  
  [  
    (  
    "system",  
    "You are a helpful assistant. Make sure to use the tavily_search_results_json tool for information.",  
    ),  
    ("placeholder", "{chat_history}"),  
    ("human", "{input}"),  
    ("placeholder", "{agent_scratchpad}"),  
  ]  
)  
  
# Construct the Tools agent  
agent = create_tool_calling_agent(llm, tools, prompt)

# Create an agent executor by passing in the agent and tools  
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)  
agent_executor.invoke({"input": "what is LangChain?"})