AI大模型企业应用实战(23)-Langchain中的Agents如何实现？@慕课网原创_慕课网

0 前言

这将所有可用的代理按照几个维度进行分类。

预期模型类型

用于聊天模型（接收信息，输出信息）或 LLM（接收字符串，输出字符串）。这主要影响所使用的提示策略。

支持聊天历史记录

这些代理类型是否支持聊天历史记录。如果支持，就意味着可以作为聊天机器人使用。如果不支持，则意味着它更适合单一任务。支持聊天记录通常需要更好的模型，因此早期针对较差模型的代理类型可能不支持聊天记录。

支持多输入工具

这些代理类型是否支持多输入工具。如果一个工具只需要单一输入，那么 LLM 通常更容易知道如何调用它。因此，早期几种针对较差模型的代理类型可能不支持它们。

支持并行函数调用

让 LLM 同时调用多个工具可以大大加快代理的速度，无论是否有任务需要通过这样做来协助。不过，LLM 要做到这一点要困难得多，因此有些代理类型不支持这一点。

所需模型参数

该代理是否要求模型支持任何附加参数。有些代理类型会利用 OpenAI 函数调用等功能，这就需要其他模型参数。如果不需要，则表示一切都通过提示完成。

何时应考虑使用该代理类型：

Agent Type	Intended Model Type	Supports Chat History	Supports Multi-Input Tools	Supports Parallel Function Calling	Required Model Params	When to Use
OpenAI Tools	Chat	✅	✅	✅	`tools`	若使用的最新OpenAI model (1106+)
OpenAI Functions	Chat	✅	✅		`functions`	如果您使用的是 OpenAI 模型，或者是针对函数调用进行了微调并公开了与 OpenAI 相同函数参数的开源模型
XML	LLM	✅				Anthropic模型或其他擅长 XML 的模型
Structured Chat	Chat	✅	✅			如果您需要支持具有多个输入的工具，并且正在使用不支持函数调用的模型
ReAct	LLM	✅				简化模型

来看看内置的主要agent类型：

1 OPENAI_FUNCTIONS

Openai函数调用型，某些模型（如 OpenAI 的 gpt-3.5-turbo 和 gpt-4）已经过微调，可以检测函数何时应该被调用，并响应应该传递给函数的输入。在 API 调用中，你可描述函数，并让模型智能地选择输出一个包含参数的 JSON 对象来调用这些函数。

OPENAI_FUNCTIONS代理旨在与这些模型配合使用。

2 ZERO_SHOT_REACT_DESCRIPTION

零样本增强生成型

from langchain.agents import (
    load_tools,
    initialize_agent,
    AgentType,
)
import os
os.environ["SERPAPI_API_KEY"] = "xxx"

# 定义llm
class QwenTurboTongyi(Tongyi):
    model_name = "qwen-turbo"
llm = QwenTurboTongyi(temperature=1)




tools = load_tools(["serpapi","llm-math"],llm=llm)
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
)
print(agent)
print(agent.agent.llm_chain.prompt.template)
agent.invoke("现在美国总统是谁？他的年龄除以2是多少？")

3 CHAT_ZERO_SHOT_REACT_DESCRIPTION

零样本增强生成型（对话），使用了chatmodel

tools = load_tools(["serpapi","llm-math"],llm=llm)
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
)
print(agent)
print(agent.agent.llm_chain.prompt.messages[0].prompt.template)
agent.invoke("现在美国总统是谁？他的年龄除以2是多少？")

4 CONVERSATIONAL_REACT_DESCRIPTION

对话增强生成型

from langchain.memory import ConversationBufferMemory
#记忆组件
memory = ConversationBufferMemory(
    memory_key="chat_history",
)

tools = load_tools(["serpapi","llm-math"],llm=llm)
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,#记忆组件
    verbose=True,
)
print(agent)
print(agent.agent.llm_chain.prompt.template)

agent.run("hi i am JavaEdge")

agent.run("what is my name?")

agent.run("有什么好吃的中国菜可以推荐给我吗?")

agent.run(input="我都没吃过！我名字的最后一个字母是什么？1998年的世界杯谁夺冠了？")

5 STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION

结构化对话生成增强型

from langchain.memory import ConversationBufferMemory
#记忆组件
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True,
)
tools = load_tools(["serpapi","llm-math"],llm=llm)
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    memory=memory,#记忆组件
    handle_parsing_errors=True,
    verbose=True,
)
print(agent)
print(agent.agent.llm_chain.prompt.messages[0].prompt.template)
print(agent.agent.llm_chain.prompt.messages[1].prompt.template)

关注我，紧跟本系列专栏文章，咱们下篇再续！

作者简介：魔都架构师，多家大厂后端一线研发经验，在分布式系统设计、数据平台架构和AI应用开发等领域都有丰富实践经验。

各大技术社区头部专家博主。具有丰富的引领团队经验，深厚业务架构和解决方案的积累。

负责：

中央/分销预订系统性能优化

活动&券等营销中台建设

交易平台及数据中台等架构和开发设计

车联网核心平台-物联网连接平台、大数据平台架构设计及优化

LLM应用开发

目前主攻降低软件复杂性设计、构建高可用系统方向。

参考：

编程严选网