基于LangChain快速实现Agent应用_langchain 实现agent

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。

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。

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")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20