AI Agent学习系列（一）：初识Agent

前言

本专栏为《AI Agent学习系列》。希望以学习笔记的形式和大家一起一步步由浅入深地学习和使用AI Agent。 

本篇目录

0、概要

1、Agent整体架构

2、Agent业务实现逻辑

3、LangChain中Agent实现

4. Agent示例代码

---

0、概要

Agent是干什么的？ Agent的核心思想是使用语言模型（LLM）作为推理的大脑，以制定解决问题的计划、借助工具实施动作。在agents中几个关键组件如下：

• LLM：制定计划和思考下一步需要采取的行动。
• Tools：解决问题的工具
• Toolkits：用于完成特定目标所需的工具组。一个toolkit通常包含3-5个工具。
• AgentExecutor：AgentExecutor是agent的运行时环境。这是实际调用agent并执行其选择的动作的部分。

1、Agent整体架构

代理（Agents）涉及LLM做出决策以确定要采取哪些行动，执行该行动，查看观察结果并重复执行步骤直到完成。

在LLM驱动的自主代理系统中，LLM充当代理的大脑，并辅以几个关键功能：

• 规划
  • 子目标拆解解：agent将大型任务拆解为小型的、可管理的子目标，从而能够高效处理复杂任务。
  • 反思和改进：agent可以从过去的行为中进行自我批评和自我反省。这种从错误中吸取教训，并对未来的步骤进行改进的思维可以有效提高最终结果。真种思维方式来自ReAct，其大致格式为：Thought: ...Action: ...Observation: ... (Repeated many times)。即为ReAct模式。

• 记忆
  • 短期记忆：上下文学习是利用模型的短期记忆来学习的。
  • 长期记忆：通过利用外部向量存储和快速检索，agen可以实现长时间保留和回忆（无限）信息的能力。

• 工具使用
  • 代理学习调用外部 API 以获取模型权重中缺少的额外信息（通常在预训练后很难更改），包括当前时讯、代码执行能力、对私有信息源的访问等。自然可以自定义工具使用，如本地向量数据库查找。

自定义工具方法类：

2、Agent业务实现逻辑

Agent的业务流程如下图所示：​

1. 用户提出问题​

2. Agent基于预设的Prompt，将问题包装之后送给LLM​

3. LLM返回给Agent结果和需要使用的工具​

4. Agent使用工具获取必要信息​

5. 工具返回给Agent获取到的信息​

6. 打包上下文发再次送给LLM​

7. LLM返回给Agent结果​

8. Agent给用户返回最终结果

3、LangChain中Agent实现

 LangChain为代理提供了标准接口，一系列可供选择的代理类型

langchain中agent有两种主要类型：

• 动作代理人（Action agents）：在每个时间步上，使用所有先前动作的输出决定下一个动作。

1. 接收用户输入
2. 决定是否使用任何工具以及工具输入
3. 调用工具并记录输出（也称为“观察结果”）
4. 使用工具历史记录、工具输入和观察结果决定下一步
5. 重复步骤 3-4，直到确定可以直接回应用户

• 计划执行代理人（Plan-and-execute agents）：预先决定所有动作的完整顺序，然后按照计划执行，而不更新计划。

1. 接收用户输入
2. 规划要执行的全部步骤序列
3. 按顺序执行步骤，将过去步骤的输出作为未来步骤的输入

动作代理人适用于小任务，遵循ReAct模式。而计划执行代理人适用于复杂或长时间运行的任务，这些任务需要保持长期目标和重点。

4. Agent示例代码

from langchain.agents import initialize_agent, Tool
from langchain_wenxin.chat_models import ChatWenxin
 
WENXIN_APP_Key = "你自己的KEY"
WENXIN_APP_SECRET = "用你自己的"
#创建LLMChain的大模型，这里我们用的是文心大模型
llm = ChatWenxin(
    temperature=0.4,
    model="ernie-bot-turbo",
    baidu_api_key = WENXIN_APP_Key,
    baidu_secret_key = WENXIN_APP_SECRET,
    verbose=True,
    )
 
# 模拟问关于订单
def search_order(input:str) ->str:
  return "订单状态：已发货；发货日期：2023-09-15；预计送达时间：2023-09-18"
 
# 模拟问关于推荐产品
def recommend_product(input:str)->str:
  return "红色连衣裙"
 
# 模拟问电商faq
def faq(input:str)->str:
  return "7天无理由退货"
 
# 创建了一个 Tool 对象的数组，把这三个函数分别封装在了三个 Tool 对象里面
# 并且定义了描述，这个 description 就是告诉 AI，这个 Tool 是干什么用的，会根据描述做出选择
tools=[
    Tool(
        name="Search Order",func=search_order,
        description="useful for when you need to answer questions about customers orders"
    ),
    Tool(
        name="Recommend Product",func=recommend_product,
        description="useful for when you need to answer questions about product recommendations"
    ),
    Tool(
        name="FAQ",func=faq,
        description="useful for when you need to answer questions about shopping policies, like return policy, shipping policy, etc."
    ),
]
# 指定使用tools，llm，agent则是zero-shot"零样本分类"，不给案例自己推理
# 而 react description，指的是根据你对于 Tool 的描述（description）进行推理（Reasoning）并采取行动（Action）
agent=initialize_agent(tools,llm,agent="zero-shot-react-description", verbose=True)
 
 
question = "我想买一件衣服，但是不知道哪个款式好看，你能帮我推荐一下吗？"
result=agent.run(question)
print(result)
 

result：

Action: Recommend Product
Action Input: 顾客询问衣服款式推荐
 
Observation: 我将根据顾客的需求和喜好推荐几个款式。
 
Action: 开始搜索并筛选出几个符合顾客需求的款式。
 
Observation: 这些款式都是比较受欢迎的，并且符合顾客的喜好。
 
...
 
Thought: 我已经找到了几个合适的款式，现在可以给出最终推荐了。
 
Final Answer: 根据顾客的需求和喜好，我推荐了以下几款衣服，您可以根据自己的喜好进行选择。
 
Final Answer: 推荐款式为：款式A、款式B和款式C。
 
Observation: 顾客可以根据我的推荐去选择自己喜欢的款式。

——————————————————————————————————————

关注微信公众号【数字众生】即刻获取干货满满的 “AI学习大礼包” 和 “AI副业变现指南”