开源大语言模型作为 LangChain 智能体_langchain智能体

概要

开源大型语言模型 (LLMs) 现已达到一种性能水平，使它们适合作为推动智能体工作流的推理引擎: Mixtral 甚至在我们的基准测试中 超过了 GPT-3.5，并且通过微调，其性能可以轻易的得到进一步增强。

引言

针对 因果语言建模 训练的大型语言模型 (LLMs) 可以处理广泛的任务，但它们经常在逻辑、计算和搜索等基本任务上遇到困难。最糟糕的情况是，它们在某个领域，比如数学，表现不佳，却仍然试图自己处理所有计算。

为了克服这一弱点，除其他方法外，可以将 LLM 整合到一个系统中，在该系统中，它可以调用工具: 这样的系统称为 LLM 智能体。

在这篇文章中，我们将解释 ReAct 智能体的内部工作原理，然后展示如何使用最近在 LangChain 中集成的 ChatHuggingFace 类来构建它们。最后，我们将几个开源 LLM 与 GPT-3.5 和 GPT-4 进行基准测试。

什么是智能体？

LLM 智能体的定义非常宽泛: 它们指的是所有将 LLMs 作为核心引擎，并能够根据观察对其环境施加影响的系统。这些系统能够通过多次迭代“感知 ⇒ 思考 ⇒ 行动”的循环来实现既定任务，并常常融入规划或知识管理系统以提升其表现效能。你可以在 Xi et al., 2023 的研究中找到对智能体领域综述的精彩评述。

今天，我们将重点放在 ReAct 智能体 上。ReAct 采用一种基于“推理 (Reasoning)”与“行动 (Acting)”结合的方式来构建智能体。在提示词中，我们阐述了模型能够利用哪些工具，并引导它“逐步”思考 (亦称为 思维链 行为)，以规划并实施其后续动作，达成最终的目标。

ReAct 智能体内部工作原理示例

上述图解虽显得有些抽象，但其核心原理其实相当直接。

参见 此笔记本: 我们借助 Transformers 库展示了一个最基础的工具调用实例。

本质上，LLM 通过一个循环被调用，循环中的提示包含如下内容:

	这里是一个问题: “{question}”

	你可以使用这些工具: {tools_descriptions}。

	首先，你需要进行‘思考: {your_thoughts}’，接下来你可以:

	- 以正确的 JSON 格式发起工具调用，

	- 或者，以‘最终答案:’为前缀来输出你的答案。
1
2
3
4
5
6
7
8
9

接下来，你需要解析 LLM 的输出:

• 如果输出中包含‘最终答案:’ 字符串，循环便结束，并输出该答案;
• 若不包含，则表示 LLM 进行了工具调用: 你需解析此输出以获得工具的名称及其参数，随后根据这些参数执行相应工具的调用。此工具调用的结果将被追加至提示信息中，然后你将带有这些新增信息的提示再次传递给 LLM，直至它获得足够的信息来给出问题的最终答案。

例如，LLM 的输出在回答问题: 1:23:45 中有多少秒？ 时可能看起来像这样:

	思考: 我需要将时间字符串转换成秒。

	 

	动作:

	{

	    "action": "convert_time",

	    "action_input": {

	    	"time": "1:23:45"

	    }

	}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

鉴于此输出未包含 ‘最终答案:’ 字符串，它代表进行了工具调用。因此我们解析该输出，获取工具调用的参数: 以参数 {"time": "1:23:45"} 调用 convert_time 工具，执行该工具调用后返回 {'seconds': '5025'} 。

于是，我们将这整个信息块追加至提示词中。

更新后的提示词现在变为 (更为详尽的版本):

	这是一个问题: “1:23:45 包含多少秒？”

	你可以使用以下工具:

	    - convert_time: 将小时、分钟、秒格式的时间转换为秒。

	 

	首先，进行“思考: {your_thoughts}”，之后你可以:

	- 使用正确的 JSON 格式调用工具，

	- 或以“最终答案:”为前缀输出你的答案。

	 

	思考: 我需要把时间字符串转换成秒数。

	 

	行动:

	{

	    "action": "convert_time",

	    "action_input": {

	        "time": "1:23:45"

	    }

	}

	观测结果: {'seconds': '5025'}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

➡️ 我们用这个新的提示再次调用 LLM，鉴于它可以访问工具调用结果中的 观测结果 ，LLM 现在最有可能输出:

	思考: 我现在有了回答问题所需的信息。

	最终答案: 1:23:45 中有 5025 秒。
1
2
3

任务就这样完成了！

智能体系统的挑战

一般来说，运行 LLM 引擎的智能体系统的难点包括:

1. 从提供的工具中选择一个能够帮助实现目标的工具: 例如，当询问“大于 30,000 的最小质数是什么？” 时，智能体可能会调用“K2 的高度是多少？” 的Search 工具，但这并无帮助。
2. 以严格的参数格式调用工具: 例如，在尝试计算一辆汽车 10 分钟内行驶 3 公里的速度时，你必须调用Calculator 工具，通过distance 除以time 来计算: 即便你的 Calculator 工具接受 JSON 格式的调用{“tool”: “Calculator”, “args”: “3km/10min”} ，也存在许多陷阱，例如:

• 工具名称拼写错误: “calculator” 或“Compute” 是无效的
• 提供的是参数名称而非其值: “args”: “distance/time”
• 格式非标准化: “args": "3km in 10minutes”

3. 高效地吸收和利用过去观察到的信息，无论是初始上下文还是使用工具后返回的观察结果。

那么，完整的智能体设置会是怎样的呢？

使用 LangChain 运行智能体

我们刚刚在