LangChain - 建立代理_langchain python代理

作者：小小林熬夜学编程 | 2024-06-08 01:00:40

踩

langchain python代理

本文翻译整理自：Build an Agent
https://python.langchain.com/v0.2/docs/tutorials/agents/

文章目录

一、说明

语言模型本身无法采取行动——它们只是输出文本。 LangChain 的一个重要用例是创建代理。

代理是使用 LLM 作为推理工程师来确定要采取哪些操作，以及这些操作的输入应该是什么的系统。

然后，这些操作的结果可以反馈给代理，并确定是否需要更多操作，或者是否可以完成。

在本教程中，我们将构建一个可以与多种不同工具交互的代理：一个是本地数据库，另一个是搜索引擎。

您将能够向该代理询问问题、观看它调用工具并与其进行对话。

概念

我们将涵盖的概念是：

使用语言模型，特别是它们的工具调用能力
创建检索器以向我们的代理公开特定信息
使用搜索工具在线查找内容
使用LangGraph Agents，它使用 LLM 来思考要做什么，然后执行该操作
使用 LangSmith调试和跟踪你的应用程序

项目设置可参考：https://blog.csdn.net/lovechris00/article/details/139130091#_33

二、定义工具

我们首先需要创建要使用的工具。我们将使用两个工具：Tavily（用于在线搜索），以及我们将创建的本地索引检索器

1、Tavily

https://python.langchain.com/v0.2/docs/integrations/tools/tavily_search/

我们在 LangChain 中有一个内置工具，可以轻松使用 Tavily 搜索引擎作为工具。

请注意，这需要 API 密钥 - 他们有一个免费套餐，但如果您没有或不想创建一个，您可以随时忽略此步骤。

创建 API 密钥后，您需要将其导出为：

export TAVILY_API_KEY="..."
1

from langchain_community.tools.tavily_search import TavilySearchResults
1

API参考：

TavilySearchResults

search = TavilySearchResults(max_results=2)
1

search.invoke("what is the weather in SF")
1

[{'url': 'https://weather.com/weather/tenday/l/San Francisco CA USCA0987:1:US',
  'content': "Comfy & Cozy\nThat's Not What Was Expected\nOutside\n'No-Name Storms' In Florida\nGifts From On High\nWhat To Do For Wheezing\nSurviving The Season\nStay Safe\nAir Quality Index\nAir quality is considered satisfactory, and air pollution poses little or no risk.\n Health & Activities\nSeasonal Allergies and Pollen Count Forecast\nNo pollen detected in your area\nCold & Flu Forecast\nFlu risk is low in your area\nWe recognize our responsibility to use data and technology for good. recents\nSpecialty Forecasts\n10 Day Weather-San Francisco, CA\nToday\nMon 18 | Day\nConsiderable cloudiness. Tue 19\nTue 19 | Day\nLight rain early...then remaining cloudy with showers in the afternoon. Wed 27\nWed 27 | Day\nOvercast with rain showers at times."},
 {'url': 'https://www.accuweather.com/en/us/san-francisco/94103/hourly-weather-forecast/347629',
  'content': 'Hourly weather forecast in San Francisco, CA. Check current conditions in San Francisco, CA with radar, hourly, and more.'}]
1
2
3
4

2、Retriever

我们还将针对我们自己的一些数据创建一个检索器。

有关此处每个步骤的更详细说明，请参阅本教程。

from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

loader = WebBaseLoader("https://docs.smith.langchain.com/overview")
docs = loader.load()
documents = RecursiveCharacterTextSplitter(
    chunk_size=1000, chunk_overlap=200
).split_documents(docs)
vector = FAISS.from_documents(documents, OpenAIEmbeddings())
retriever = vector.as_retriever()
1
2
3
4
5
6
7
8
9
10
11
12

API参考：

retriever.invoke("how to upload a dataset")[0]
1

Document(page_content='import Clientfrom langsmith.evaluation import evaluateclient = Client()# Define dataset: these are your test casesdataset_name = "Sample Dataset"dataset = client.create_dataset(dataset_name, description="A sample dataset in LangSmith.")client.create_examples(    inputs=[        {"postfix": "to LangSmith"},        {"postfix": "to Evaluations in LangSmith"},    ],    outputs=[        {"output": "Welcome to LangSmith"},        {"output": "Welcome to Evaluations in LangSmith"},    ],    dataset_id=dataset.id,)# Define your evaluatordef exact_match(run, example):    return {"score": run.outputs["output"] == example.outputs["output"]}experiment_results = evaluate(    lambda input: "Welcome " + input[\'postfix\'], # Your AI system goes here    data=dataset_name, # The data to predict and grade over    evaluators=[exact_match], # The evaluators to score the results    experiment_prefix="sample-experiment", # The name of the experiment    metadata={      "version": "1.0.0",      "revision_id":', metadata={'source': 'https://docs.smith.langchain.com/overview', 'title': 'Getting started with LangSmith | 声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小小林熬夜学编程/article/detail/687796

推荐阅读

相关标签