基于Langchain框架的Agent简单实现_langchain 实现一个简单的agent

准备工作

一点不废话，直接开始。

1. 打开智谱开放平台，获取秘钥
2. 打开SerpAPI网站，获取谷歌搜索工具密钥SERPAPI_API_KEY
3. 安装环境:

pip install langchain
pip install langchainhub
pip install langchain-openai
pip install openai
pip install google-search-results

1
2
3
4
5
6

使用配置文件存储密钥

1. 在项目根目录创建一个 .env 文件并存储所需要使用到的环境变量

OPENAI_API_KEY="填入你的智谱AI秘钥"
SERPAPI_API_KEY="填入谷歌搜索秘钥"
OPENAI_API_BASE="填入智谱的URL"

1
2
3
4

使用ReAct框架实现简单Agent

ReAct决策流程图

graph TD
A[行动] --> B[观察] -->C[思考] --> D[最终答案]
C --> A

1
2
3
4

第一步，从 .env 文件中读取环境变量

from dotenv import load_dotenv
load_dotenv()

1
2
3

第二步，从Langchainhub中获取React的Prompt

# 导入LangChain Hub
from langchain import hub
prompt = hub.pull("hwchase17/react")
print(prompt)

1
2
3
4
5

输出：

input_variables=['agent_scratchpad', 'input', 'tool_names', 'tools'] template='Answer the following questions as best you can. You have access to the following tools:\n\n{tools}\n\nUse the following format:\n\nQuestion: the input question you must answer\nThought: you should always think about what to do\nAction: the action to take, should be one of [{tool_names}]\nAction Input: the input to the action\nObservation: the result of the action\n... (this Thought/Action/Action Input/Observation can repeat N times)\nThought: I now know the final answer\nFinal Answer: the final answer to the original input question\n\nBegin!\n\nQuestion: {input}\nThought:{agent_scratchpad}'

1
2

template中文翻译：

尽你所能回答以下问题。您可以访问以下工具：
｛tools｝
使用以下格式：
问题：您必须回答的输入问题
思考：您应该始终思考接下来要做什么
行动：要采取的行动，应该是[｛tool_names｝]之一
行动输入：行动的输入
观察：行动的结果
…（此想法/行动/行动输入-观察可以重复n次）
思考：我现在知道最终答案了
最终答案：原始输入问题的最终答案
开始！
问题：｛input｝
思考：｛agent_scratchpad｝

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

input_variables：变量名列表，列表中的变量名会在prompt中被实际数据替换。 template：定义prompt格式的字符串，其中包含多个占位符，这些占位符会被input_variables中对应的数据替换。

第三步，选择要使用的LLM

# 导入ChatOpenAI
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model='glm-4')

1
2
3
4
5

第四步，准备外部调用工具包

# 导入SerpAPIWrapper即工具包
from langchain_community.utilities import SerpAPIWrapper
from langchain.agents.tools import Tool

# 实例化SerpAPIWrapper
search = SerpAPIWrapper()

# 准备工具列表
tools = [
    Tool(
        name="Search",
        func=search.run,
        description="当大模型没有相关知识时，用于搜索知识"
    ),
]

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

第五步，构建Agent

# 导入create_react_agent功能
from langchain.agents import create_react_agent

# 构建ReAct代理
agent = create_react_agent(llm, tools, prompt)

1
2
3
4
5
6

第六步，调用Agent执行器

# 导入AgentExecutor
from langchain.agents import AgentExecutor

# 创建代理执行器并传入代理和工具
agent_executor=AgentExecutor(agent=agent, tools=tools, verbose=True)

1
2
3
4
5
6

最后一步，调用执行器，输入内容，执行简单任务

# 调用代理执行器，传入输入数据
print("第一次运行的结果：")
agent_executor.invoke({"input": "当前Agent最新研究进展是什么?"})

print("第二次运行的结果：")
agent_executor.invoke({"input": "当前Agent最新研究进展是什么?"})

1
2
3
4
5
6
7

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】