基于LangChain快速实现Agent应用

▼最近直播超级多，预约保你有收获

—1—

Agent 应用适用场景

Agent 是大语言模型（LLM）的主要应用形态，通过大语言模型的推理能力和使用工具的能力完成复杂的任务，如下图所示：

如果你有以下的业务场景，Agent 应用架构是非常适合的：

第一、需要多步执行、流程编排的复杂问题。

第二、该问题可以被拆分成多个子模块，每个子模块都能清晰地定义输入、输出和功能，并能判断是否达成目标。

第三、可能感觉有解决的方法，但不能确定具体的每一步方法。

第四、可能存在多种落地方式，而不仅限于单一的方法，并且我们不太确定最优的解决方案。

第五、对于单个模块而言，只需将接口描述清楚，无需过多考虑它与其他模块之间的调用关系。

—2—

Agent 架构原理

Agent 构建在大语言模型的推理能力基础上，对大语言模型的 Planning 规划的方案使用工具执行（Action） ,并对执行的过程进行观测（Observation）,保证任务的落地执行。

Planning->Action->Observation (Repeated many times)。

Agent 根据用户输入及当前状态选择一个动作，执行该动作并观察结果，然后继续下一个动作。

有了 Agent，就不需要手动编写 if/else 逻辑了（即不要静态的业务流程编排了），只需将 Prompt 提示词提供给大语言模型，让其进行判断决策即可。

—3—

LangChain Agent 开发框架

LangChain 本身提供一些实用的工具，比如：Google 搜索、GitHub 和 Python 等。如果需要自己实现工具，则需要继承 BaseTool 类，并实现 run 方法。模型根据工具的描述调用相应的方法，并观察其返回结果。

第一、Agent 类别

计划 Agent：通过 LLM 制定计划

执行 Agent：通过 LLM 和 tools 实现计划

第二、Chain 与 Agent 区别

Chain 和 Agent 都用于解决多步问题。Chain 是静态的面向过程架构设计，过程是事先设计好的静态流程。而 Agent 则是动态的面向目标架构设计，由大语言模型来决策整个过程。

第三、使用 LangChain 实现 Agent 的案例如下：

from langchain.llms import ChatGLM
from langchain.experimental.plan_and_execute import PlanAndExecute, load_agent_executor, load_chat_planner
from tools import LlmModelTool, VectorSearchTool
 
endpoint_url = "http://10.19.58.1:6666"
llm = ChatGLM(
    endpoint_url=endpoint_url,
    max_token=80000,
    history=[],
    model_kwargs={"sample_model_args": False},
    temperature=0.95
)
 
tools = [LlmModelTool(), VectorSearchTool()]
 
planner = load_chat_planner(llm)
executor = load_agent_executor(llm, tools, verbose=True)
 
agent = PlanAndExecute(planner=planner, executor=executor, verbose=True)
agent.run(input="马上端午节，请帮我制定一个国内的5天旅行计划")

为了帮助同学们彻底掌握 AI 大模型 Agent 智能体、知识库、向量数据库、 RAG、微调私有大模型的应用开发、部署、生产化，今天我会开场直播和同学们深度剖析，请同学们点击以下预约按钮免费预约。

—4—

领取 AI 大模型学习资料

不会吧，都2024年了，还有人在网盘、B站上爬学习资源？

今天给大家搞到的是一份大厂内部都在用的『AI 大模型学习资源』：

▶形式：直播公开课

▶费用：原价299，本号用户0元白嫖

▶内容：大模型原理、Agent、LangChain、Spring AI、RAG、向量数据库、知识库、私有大模型、算力评估...

扫码预约报名