【2024最全最细LangChain教程-12】Agent智能体（一）_prompt = hub.pull("hwchase17/openai-functions-agen

【2024最全最细Langchain教程-11】Langchain回调模块-CSDN博客

本节课B站视频：【2024最全最细】Langchain教程之Agent（一）_哔哩哔哩_bilibili        

        有很多教程把Agent称为“代理”，我觉得这个翻译太没意思了，一来和Proxy很容易混淆，二来一点都不酷。

        之所以把Agent翻译成智能体，是因为Agent可以（在LLM推理分析的帮助下）可以自己识别、选择和使用工具，这个就是智能体的表现。人之所以能走上进化的道路，一来是发明了语言，二来是学会了使用工具。就这两点来看，把目前的Agent称为智能体一点也不为过。

        我们来构造一个简单的Agent，以此了解Agent的原理和基本实现方法：

目录

1. 构造一个网络搜索工具、一个网页检索器工具

2. 开始构造一个简单的、无记忆的Agent

1. 构造一个网络搜索工具、一个网页检索器工具

        我们先去Tavily 这个网站进行注册，会给你一个试用账号，然后你要把他给你的那个key配置到系统环境里：

        这个API接口每个月有1000次免费的查询机会，我们做研究和学习足够了：

from langchain_community.tools.tavily_search import TavilySearchResults
 
search = TavilySearchResults(
    max_results = 1,
    verbose = True,
)
 
search.invoke("今天中国A股的表现如何，沪指和深指分别是多少？")

        有一个问题好像是我设置的max_result 和 verbose好像没有生效，给我的结果依然是两条查询结果，不知道为啥，verbose也没有生效，我没搞懂。不过没关系，我们先来看一下查询结果：

         然后我们来构造一个检索器Retriever：

import os
 
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
 
loader = WebBaseLoader("https://docs.smith.langchain.com/overview")
 
docs = loader.load()
documents = RecursiveCharacterTextSplitter(
    chunk_size=1000, chunk_overlap=200
).split_documents(docs)
 
vector = Chroma.from_documents(
    documents, 
    OpenAIEmbeddings(
        openai_api_key = os.getenv("OPENAI_API_KEY"),
        base_url = os.getenv("OPENAI_BASE_URL")
    )
)
retriever = vector.as_retriever()
 
retriever.get_relevant_documents("how to upload a dataset")[0]

        这个retriever的作用，和我们之前写的一个案例类似，不熟悉的可以回过头去看看：【2024最全最细Lanchain教程-9】Langchain互联网查询-CSDN博客

        这里调用的加载器是 WebBaseLoader，可以在官网API库里找到这个loader的介绍：https://www.wpsshop.cn/w/Gausst松鼠会/article/detail/425292