【AI大模型应用开发】实战5：LangChain实现灵活的Agents+RAG_rag agent项目实例

目前为止，我们实现的RAG练习中，答案都是全部来源于检索到的文本内容。而检索过程可能在某些情况下是不需要的。

如何优化这个过程，让我们的RAG程序在必要时才去检索，不必要时，直接使用大模型原有数据来回答呢？本文我们一起来学习下。

本文我们将使用 LangChain 的 Agents 模块来将 Retriever 当作工具，让大模型在有必要时才去使用它。

0. 实现 Retriever

首先我们得现有一个Retrivever，才能在有需要时能够进行查询。搭建Retriever的过程就不展开了，前面我们已经做了非常多的练习，具体可以参考这篇文章：【AI大模型应用开发】【LangChain系列】实战案例4：再战RAG问答，提取在线网页数据，并返回生成答案的来源

import bs4  
from langchain import hub  
from langchain_community.document_loaders import WebBaseLoader  
from langchain_community.vectorstores import Chroma  
from langchain_core.output_parsers import StrOutputParser  
from langchain_core.runnables import RunnablePassthrough  
from langchain_openai import ChatOpenAI, OpenAIEmbeddings  
from langchain_text_splitters import RecursiveCharacterTextSplitter  
  
# Load, chunk and index the contents of the blog.  
loader = WebBaseLoader(  
    web_paths=("https://lilianweng.github.io/posts/2023-06-23-agent/",),  
    bs_kwargs=dict(  
        parse_only=bs4.SoupStrainer(  
            class_=("post-content", "post-title", "post-header")  
        )  
    ),  
)  
docs = loader.load()  
  
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)  
splits = text_splitter.split_documents(docs)  
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())  
  
# Retrieve and generate using the relevant snippets of the blog.  
retriever = vectorstore.as_retriever()
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

1. 实现 Retriever Tool

通过 LangChain 自带的 create_retriever_tool 来将 Retriever 封装成一个可供 Agents 模块调用的 Tool。

create_retriever_tool 在使用过程中，最重要的是第三个参数，这是你这个工具的描述，这个描述相当于一个Prompt，将决定大模型是否会调用这个工具。

from langchain.tools.retriever import create_retriever_tool  
  
tool = create_retriever_tool(  
    retriever,  
    "search_agents_answer",  
    "Searches and returns context from LLM Powered Autonomous Agents. Answering questions about the agents.",  
)  
tools = [tool]
1
2
3
4
5
6
7
8

关于LangChain中 Agents 模块如何定义Tool，详细教程可参考： 【AI大模型应用开发】【LangChain系列】5. LangChain入门：智能体Agents模块的实战详解

2. Prompt模板和模型加载

from langchain import hub  
  
prompt = hub.pull("hwchase17/openai-tools-agent")  
  
from langchain_openai import ChatOpenAI  
  
llm = ChatOpenAI(temperature=0)
1
2
3
4
5
6
7

这块没有特别注意的，就是将需要的元素都创建好，供后面创建 Agent 使用。

看一眼加载的Prompt模板内容：

• • 小Tips：打印Prompt模板内容，可以使用 prompt.pretty_print() 函数，将打印成上图中比较美观的样子。

3. 创建 Agent 和 Agent 执行器

准备好 llm、tools、prompt之后，创建Agent 和 AgentExecutor

from langchain.agents import AgentExecutor, create_openai_tools_agent  
  
agent = create_openai_tools_agent(llm, tools, prompt)  
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)  

1
2
3
4
5

其中 create_openai_tools_agent，是 LangChain 对于使用 OpenAI 工具的Agent的封装：

def create_openai_tools_agent(  
    llm: BaseLanguageModel, tools: Sequence[BaseTool], prompt: ChatPromptTemplate  
) -> Runnable:  
    """Create an agent that uses OpenAI tools.  
  
    Args:  
        llm: LLM to use as the agent.  
        tools: Tools this agent has access to.  
        prompt: The prompt to use. See Prompt section below for more on the expected  
            input variables.
1
2
3
4
5
6
7
8
9
10

其实现原理，就是将 tools 首先转换成OpenAI格式的工具描述，然后与 OpenAI 大模型进行绑定（源码中的这一句：llm_with_tools = llm.bind(tools=[convert_to_openai_tool(tool) for tool in tools])）。这是 Function Calling 部分的知识，不了解的可以补一下：【AI大模型应用开发】2.1 Function Calling连接外部世界 - 入门与实战（1）

4. 完整代码及运行结果

4.1 运行代码

调用 invoke 接口即可运行。

result = agent_executor.invoke({"input": "hi, 我是【同学小张】"})  
print(result["output"])  
  
result = agent_executor.invoke(  
    {  
        "input": "What is Task Decomposition?"  
    }  
)  
print("output2: ", result["output"])
1
2
3
4
5
6
7
8
9

4.2 完整代码

import bs4  
from langchain import hub  
from langchain_community.document_loaders import WebBaseLoader  
from langchain_community.vectorstores import Chroma  
from langchain_core.output_parsers import StrOutputParser  
from langchain_core.runnables import RunnablePassthrough  
from langchain_openai import ChatOpenAI, OpenAIEmbeddings  
from langchain_text_splitters import RecursiveCharacterTextSplitter  
  
# Load, chunk and index the contents of the blog.  
loader = WebBaseLoader(  
    web_paths=("https://lilianweng.github.io/posts/2023-06-23-agent/",),  
    bs_kwargs=dict(  
        parse_only=bs4.SoupStrainer(  
            class_=("post-content", "post-title", "post-header")  
        )  
    ),  
)  
docs = loader.load()  
  
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)  
splits = text_splitter.split_documents(docs)  
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())  
  
# Retrieve and generate using the relevant snippets of the blog.  
retriever = vectorstore.as_retriever()  
  
from langchain.tools.retriever import create_retriever_tool  
  
tool = create_retriever_tool(  
    retriever,  
    "search_agents_answer",  
    "Searches and returns context from LLM Powered Autonomous Agents. Answering questions about the agents.",  
)  
tools = [tool]  
  
from langchain import hub  
  
prompt = hub.pull("hwchase17/openai-tools-agent")  
  
prompt.pretty_print()  
  
from langchain_openai import ChatOpenAI  
  
llm = ChatOpenAI(temperature=0)  
  
from langchain.agents import AgentExecutor, create_openai_tools_agent  
  
agent = create_openai_tools_agent(llm, tools, prompt)  
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)  
  
result = agent_executor.invoke({"input": "hi, 我是【同学小张】"})  
  
print(result["output"])  
  
result = agent_executor.invoke(  
    {  
        "input": "What is Task Decomposition?"  
    }  
)  
  
print("output2: ", result["output"])
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
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

4.2 运行结果与解释

第一个问题，简单打个招呼，这时候不需要也不能去查文本，应该直接使用大模型自身的能力来回复。

第二个问题，涉及 Agents 相关知识，需要调用 Retriever 去查询相关资料，利用资料去回复。

本文参考教程：https://python.langchain.com/docs/use_cases/question_answering/conversational_retrieval_agents

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。

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】