构建LangChain应用程序的示例代码：19、自定义多动作代理教程（Custom multi-action agent）_serpapiwrapper

自定义多动作代理

概述

这个笔记本介绍了如何创建您自己的自定义代理。

代理由两部分组成：

• 工具（Tools）：代理可以使用的工具。
• 代理类本身：决定采取哪个动作。

在这个笔记本中，我们将通过创建一个自定义代理来演示如何预测/一次性执行多个步骤。

Python 代码及注释

from langchain.agents import AgentExecutor, BaseMultiActionAgent, Tool
from langchain_community.utilities import SerpAPIWrapper

# 定义一个返回随机单词的函数
def random_word(query: str) -> str:
    print("\nNow I'm doing this!")  # 打印一条消息，表示正在执行操作
    return "foo"  # 返回一个随机单词，这里固定返回"foo"

# 初始化一个SerpAPIWrapper对象，用于执行搜索操作
search = SerpAPIWrapper()

# 定义代理可以使用的工具列表
tools = [
    Tool(
        name="Search",  # 工具名称为"Search"
        func=search.run,  # 工具的功能函数是search.run
        description="useful for when you need to answer questions about current events",  # 工具描述
    ),
    Tool(
        name="RandomWord",  # 工具名称为"RandomWord"
        func=random_word,  # 工具的功能函数是random_word
        description="call this to get a random word.",  # 工具描述
    ),
]

# 从langchain_core库导入所需的类
from typing import Any, List, Tuple, Union
from langchain_core.agents import AgentAction, AgentFinish

# 定义一个自定义的代理类，继承自BaseMultiActionAgent
class FakeAgent(BaseMultiActionAgent):
    """Fake Custom Agent."""  # 类的描述

# 创建自定义代理的实例
agent = FakeAgent()

# 从AgentExecutor类创建一个执行器，传入代理实例和工具列表，并设置verbose为True以显示详细输出
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, 
    tools=tools, 
    verbose=True
)

# 使用执行器运行一个查询，例如查询2023年加拿大的人口数量
agent_executor.run("How many people live in canada as of 2023?")
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

总结

本文介绍了如何创建一个自定义的多动作代理，包括定义工具和代理类。通过示例代码，我们展示了如何使用AgentExecutor来执行代理操作，并运行一个简单的查询。代码中包含了对每个部分的详细注释，以便更好地理解每个步骤的功能和目的。自定义代理可以扩展和适应各种不同的应用场景，通过组合不同的工具来实现复杂的任务。