开源模型应用落地-LangChain高阶-Tools工具-集成agents（四）_serper

一、前言

    LangChain 的 tools 是一系列关键组件，它们提供了与外部世界进行交互的能力。通过适当的使用这些组件，可以简单实现如执行网络搜索以获取最新信息、调用特定的 API 来获取数据或执行特定的操作、与数据库进行交互以获取存储的信息等需求。

    本章基于agents进一步串联工具（tools ），从而将大语言模型的能力和本地、云服务能力结合。

---

二、术语

2.1. agent

    是 LangChain 中的代理模块，它可以使用语言模型（LLM）动态地调用行为链（Chains），根据用户的输入调用不同的行为。代理可以访问单一工具，并根据用户输入确定要使用的工具，也可以使用多个工具，并使用一个工具的输出作为下一个工具的输入。

---

三、前提条件 

3.1. 基础环境

1.  操作系统：不限

3.2. 安装虚拟环境

conda create --name langchain python=3.10
conda activate langchain
pip install langchain langchain-openai

3.3. 创建Wolfram账号

开源模型应用落地-LangChain高阶-Tools工具-WolframAlpha（二）

3.4. 创建serper账号

开源模型应用落地-LangChain高阶-Tools工具-GoogleSerperAPIWrapper（三）

---

四、技术实现

4.1.询问广州白云山位置

# -*-  coding = utf-8 -*-
import json
import os
import warnings
import traceback
from langchain.agents import initialize_agent, Tool, AgentType
from langchain_community.utilities.wolfram_alpha import WolframAlphaAPIWrapper
from langchain_openai import ChatOpenAI
from langchain_community.utilities import GoogleSerperAPIWrapper
 
warnings.filterwarnings("ignore")
 
os.environ["SERPER_API_KEY"] = "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
os.environ["WOLFRAM_ALPHA_APPID"] = "xxxxxx-xxxxxx"
 
API_KEY = "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
os.environ["OPENAI_API_KEY"] = API_KEY
 
def query_location(region):
    # print(f'region: {region}')
    search = GoogleSerperAPIWrapper(type="places")
    results = search.results(region)
    # print(f'results: {results}')
 
    try:
        places = results['places']
        # places_object = json.loads(places)
        if len(places) > 0:
            place = places[0]
            address = place['address']
            latitude = place['latitude']
            longitude = place['longitude']
            print(f'address: {address}, latitude: {latitude}, longitude: {longitude}')
 
            return address
        else:
            return 'unknown'
 
    except Exception as e:
        traceback.print_exc()
        return 'unknown'
 
def mathematical_calculations(info):
    wolfram = WolframAlphaAPIWrapper()
    result = wolfram.run(info)
    return result
 
tools = [
    Tool(name = "query_location",func=query_location,description="This function is used to query the location of a specified region, with the input parameter being the region"),
    Tool(name = "mathematical_calculations",func=mathematical_calculations,description="This function is used for mathematical calculations, and the input parameters are mathematical expressions")
]
 
if __name__ == '__main__':
    llm = ChatOpenAI(model_name='gpt-3.5-turbo-1106', temperature=0.9, max_tokens=1024)
    agent = initialize_agent(tools,llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,max_iterations=3,verbose=True)
    result = agent.run('广州白云山在哪里？')
    print(f'result: {result}')
 

调用结果：

4.2.求解数学表达式

# -*-  coding = utf-8 -*-
import json
import os
import warnings
import traceback
from langchain.agents import initialize_agent, Tool, AgentType
from langchain_community.utilities.wolfram_alpha import WolframAlphaAPIWrapper
from langchain_openai import ChatOpenAI
from langchain_community.utilities import GoogleSerperAPIWrapper
 
warnings.filterwarnings("ignore")
 
os.environ["SERPER_API_KEY"] = "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
os.environ["WOLFRAM_ALPHA_APPID"] = "xxxxxx-xxxxxx"
 
API_KEY = "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
os.environ["OPENAI_API_KEY"] = API_KEY
 
def query_location(region):
    # print(f'region: {region}')
    search = GoogleSerperAPIWrapper(type="places")
    results = search.results(region)
    # print(f'results: {results}')
 
    try:
        places = results['places']
        # places_object = json.loads(places)
        if len(places) > 0:
            place = places[0]
            address = place['address']
            latitude = place['latitude']
            longitude = place['longitude']
            print(f'address: {address}, latitude: {latitude}, longitude: {longitude}')
 
            return address
        else:
            return 'unknown'
 
    except Exception as e:
        traceback.print_exc()
        return 'unknown'
 
def mathematical_calculations(info):
    wolfram = WolframAlphaAPIWrapper()
    result = wolfram.run(info)
    return result
 
tools = [
    Tool(name = "query_location",func=query_location,description="This function is used to query the location of a specified region, with the input parameter being the region"),
    Tool(name = "mathematical_calculations",func=mathematical_calculations,description="This function is used for mathematical calculations, and the input parameters are mathematical expressions")
]
 
if __name__ == '__main__':
    llm = ChatOpenAI(model_name='gpt-3.5-turbo-1106', temperature=0.9, max_tokens=1024)
    agent = initialize_agent(tools,llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,max_iterations=3,verbose=True)
 
    result = agent.run('求解：2x + 5 = -3x + 7')
    print(f'result: {result}')
 

调用结果：

---

五、附带说明

5.1.AgentType取值

• AgentType.ZERO_SHOT_REACT_DESCRIPTION表示零样本反应式描述代理，它利用 ReAct 框架根据工具的描述来决定使用哪个工具。这种代理可以使用多个工具，但需要为每个工具提供描述信息。工具的选择单纯依靠工具的描述信息。
• AgentType.SELF_ASK_WITH_SEARCH表示 Self-Ask with Search 代理类型。这种代理使用一个名为“中间应答”的工具，该工具能够查找问题的真实答案。它的工作原理是利用网络搜索 API 进行搜索，并将搜索结果作为中间答案，然后继续进行提问和搜索，直到找到最终的答案。
• AgentType.REACT_DOCSTORE使用 ReAct 框架与文档存储进行交互。适用于需要从文档存储中获取信息并进行处理的任务。通过使用“Search”和“Lookup”工具，它可以实现对文档的搜索和查找功能，帮助用户快速找到所需的信息。

• AgentType.CONVERSATIONAL_REACT_DESCRIPTION主要用于对话场景。它使用 ReAct 框架来决定使用哪个工具，并使用内存来记忆先前的对话交互。这种代理类型的设计旨在使代理能够进行对话并提供帮助。通过使用 ReAct 框架，它可以根据对话的上下文和需求选择合适的工具来执行任务，并将工具执行的结果作为上下文反馈给代理，以便其继续进行推理和回答。

5.2.Agent的执行流程

1. 接收用户输入：接收用户的输入，并将其作为执行的起点。
2. 规划动作：根据用户输入和当前状态，agent 会规划下一步的动作。这可能包括选择使用哪个工具、确定工具的输入等。
3. 执行动作：使用所选的工具执行动作，并记录动作的结果。
4. 处理结果：处理动作的结果，并根据结果决定下一步的动作。
5. 重复步骤：不断重复上述步骤，直到达到最终的目标或满足特定的条件。

    注意：具体的执行流程可能因 agent 的类型和配置而有所不同。

5.3.注意事项

1. 工具选择和配置：要确保选择合适的工具，并正确配置它们。
2. 输入处理：仔细处理用户输入，确保其清晰和准确。
3. 工具依赖：注意工具之间的依赖关系，避免不必要的冲突。
4. 性能和效率：关注执行过程中的性能和效率，优化可能的瓶颈。
5. 错误处理：做好错误处理，应对可能出现的异常情况。
6. 环境适应性：根据不同的应用场景，调整 Agent 的行为和策略。