当前位置:   article > 正文

基于ReAct机制的AI Agent_coze react

coze react

当前,在各个大厂纷纷卷LLM的情况下,各自都借助自己的LLM推出了自己的AI Agent,比如字节的Coze,百度的千帆等,还有开源的Dify。

你是否想知道其中的原理?是否想过自己如何实现一套AI Agent?当然,借助LangChain就可以。

1. 简述AI Agent

何为AI Agent呢?如果拿人来对比的话,半支烟认为AI Agent就是一个会思考和行动的人,其中LLM就是这个人的大脑。

说白了,AI Agent就是借助LLM这个大脑,加上一些 能够感知外部环节 和 能够发起行动 的部件,共同组成的一个 机器人。

那怎样能够让 AI Agent这个机器人,充分利用LLM 和 各种部件呢?那ReAct就是这个协作工具。利用ReAct机制,LLM可以很好的结合外部环境和行动组件,形成一个完整的AI Agent。

下面将探讨ReAct框架的概念、原理、优势,并通过代码示例展示如何在LangChain中使用ReAct构建AI Agent。

2. ReAct概念和原理

2.1 为什么需要ReAct

我们知道,LLM在训练完毕后,会具备较强的推理能力,但是他的知识随着时间的推移会过时,但是又不可能经常性的去训练LLM,毕竟每次训练的成本太高了。

那怎么解决这个问题?机器可以像人一样自己主动去学习和搜索新知识呀。

那机器怎么知道什么时候该去搜索知识?什么时候时候该去调用什么样的工具解决当前的问题呢?

ReAct应运而生。ReAct的核心在于,推理和行动。

2.2 ReAct的定义

ReAct(Reasoning and Action)是一个框架,其概念来源于一篇论文,其核心思想,就是通过思维链的方式,引导模型将复杂问题进行拆分,一步一步地进行推理(Reasoning)和行动(Action),同时还引入了观察(Observation)环节,在每次执行(Action)之后,都会先观察(Observation)当前现状,然后再进行下一步的推理(Reason)。

ReAct这个框架,就是要让LLM,进行推理,然后采取行动与外界环境互动。

ReAct这个框架,就是要让开发者一步步引导LLM进行推理,然后根据推理的结果,判断采取哪个行动。

2.3 ReAct的核心组件

ReAct框架的核心组件包括:

  • 思维链(Chain of Thought):将一个大的复杂任务进行拆解,拆解成多个思维步骤。
  • 推理(Reasoning):负责分析和处理输入的数据,生成有效的决策。
  • 行动(Action):执行具体的操作,比如搜索、执行代码,或者其余自定义的行动。
  • 观察(Observation):监控和收集环境反馈的数据,为下一步的推理和行动提供依据。

2.4 工作流程

ReAct框架的工作流程如下:

  1. 输入数据:接收用户输入或环境数据。
  2. 推理阶段:分析输入数据,生成决策和计划。
  3. 行动阶段:根据决策执行具体操作。
  4. 观察阶段:监控操作结果,收集反馈数据。
  5. 循环迭代:根据反馈数据调整推理和行动,持续优化结果。

2.5 举个例子说明ReAct步骤

比如,要知道2024年周杰伦最新的演唱会是时间和地点是什么,通过ReAct机制,会被拆解成以下步骤:

  1. 推理1:用户想知道2024年周杰伦最新的演唱会是时间和地点是什么,需要查找最新的信息。
  2. 行动1:调用Google的搜索API进行搜索。
  3. 观察1:搜索结束,搜索的结果中出现一些关于《2024年周杰伦最新的演唱会》的网页信息。
  4. 推理2:搜索出来的网页较多,大概浏览前6个网页的具体内容。
  5. 行动2:点击第一个网页,开始浏览。
  6. 观察2:浏览结束,浏览的网页内容提及到了2024年周杰伦最新的演唱会信息。
  7. 推理3:针对网页的内容进行,问题的总结。
  8. 结果:将最终的答案输出给用户。

3. LangChain的ReAct机制实现AI Agent

以上我们已经了解的原理和步骤,接下来我们使用LangChain定义一个ReAct机制的AI Agent。

3.1 示例

比如,在不使用ReAct机制借助外部工具的情况下,让LLM帮我们计算两个小数相加,则直接出错。

然后,借助ReAct机制,会让LLM自动使用自定义工具,最终计算正确。

然后,继续测试,问别的问题,借助ReAct机制,则不会使用到工具,直接给出答案。

3.2 代码

具体代码如下:

  1. from langchain import hub
  2. from langchain.agents import create_structured_chat_agent, AgentExecutor
  3. from langchain.memory import ConversationBufferMemory
  4. from langchain.schema import HumanMessage
  5. from langchain.tools import BaseTool
  6. from langchain_openai import ChatOpenAI
  7. # 模型
  8. model = ChatOpenAI(model="gpt-3.5-turbo",
  9. openai_api_key="sk-XXXXXXXXXX",
  10. openai_api_base="https://api.aigc369.com/v1")
  11. # 直接让模型计算数字,模型会算错
  12. model.invoke([HumanMessage(content="你帮我算下,3.941592623412424+4.3434532535353的结果")])
  13. # 下面开始使用ReAct机制,定义工具,让LLM使用工具做专业的事情。
  14. # 定义工具,要继承自LangChain的BaseTool
  15. class SumNumberTool(BaseTool):
  16. name = "数字相加计算工具"
  17. description = "当你被要求计算2个数字相加时,使用此工具"
  18. def _run(self, a, b):
  19. return a.value + b.value
  20. # 工具合集
  21. tools = [SumNumberTool()]
  22. # 提示词,直接从langchain hub上下载,因为写这个ReAct机制的prompt比较复杂,直接用现成的。
  23. prompt = hub.pull("hwchase17/structured-chat-agent")
  24. # 定义AI Agent
  25. agent = create_structured_chat_agent(
  26. llm=model,
  27. tools=tools,
  28. prompt=prompt
  29. )
  30. # 使用Memory记录上下文
  31. memory = ConversationBufferMemory(
  32. memory_key='chat_history',
  33. return_messages=True
  34. )
  35. # 定义AgentExecutor,必须使用AgentExecutor,才能执行代理定义的工具
  36. agent_executor = AgentExecutor.from_agent_and_tools(
  37. agent=agent, tools=tools, memory=memory, verbose=True, handle_parsing_errors=True
  38. )
  39. # 测试使用到工具的场景
  40. agent_executor.invoke({"input": "你帮我算下3.941592623412424+4.3434532535353的结果"})
  41. # 测试不使用工具的场景
  42. agent_executor.invoke({"input": "请你充当稿件审核师,帮我看看'''号里的内容有没有错别字,如果有的话帮我纠正下。'''今天班级里的学生和老实要去哪里玩'''"})

4. 总结

本文主要介绍了AI Agent的概念,探讨了ReAct框架的概念、原理、优势,并通过代码示例展示如何在LangChain中使用ReAct构建AI Agent。希望对你有帮助!

======>>>>>> 关于我 <<<<<<======

本篇完结!欢迎点赞 关注 收藏!!!

原文链接:基于ReAct机制的AI Agent

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/小桥流水78/article/detail/886093
推荐阅读
相关标签
  

闽ICP备14008679号