当前位置:   article > 正文

AI Agent学习系列(一):初识Agent

agent学习

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

agent types
zero-shot-react-description代理使用ReAct框架,仅基于工具的描述来确定要使用的工具.此代理使用 ReAct 框架确定使用哪个工具 仅基于工具的描述。缺乏 会话式记忆。
conversational-react-description这个代理程序旨在用于对话环境中。提示设计旨在使代理程序有助于对话。 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。
react-docstore

这个代理使用ReAct框架,必须提供两个工具:一个Search工具和一个Lookup工具

自问自答,会使用Google搜索工具。
self-askwith-search代理使用一个被命名为Intermediate Answer的工具。根据需要执行搜索和提问步骤,以获得最终答案。
chat-zero-shot-react-descriptionzero-shot意味着代理 (Agents) 仅在当前操作上起作用——它没有 记忆
chat-conversational-react-description该代理被设计用于会话设置。提示的目的是使代理具有帮助和会话性。它使用ReAct框架来决定使用哪个工具,并使用内存来记住以前的会话交互。
structured-chat-zero-shot-react-description能够使用多输入工具,结构化的参数输入。
openai-functions某些OpenAI模型(如gpt-3.5-turbo-0613和gpt-4-0613)已经明确地进行了微调,如果使用这些模型,可以考虑使用OpenAI Functions 的AgentType。
openai-multi-functions某些OpenAI模型(如gpt-3.5-turbo-0613和gpt-4-0613)已经明确地进行了微调,如果使用这些模型,可以考虑使用OpenAI Functions 的AgentType。

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

  1. from langchain.agents import initialize_agent, Tool
  2. from langchain_wenxin.chat_models import ChatWenxin
  3. WENXIN_APP_Key = "你自己的KEY"
  4. WENXIN_APP_SECRET = "用你自己的"
  5. #创建LLMChain的大模型,这里我们用的是文心大模型
  6. llm = ChatWenxin(
  7. temperature=0.4,
  8. model="ernie-bot-turbo",
  9. baidu_api_key = WENXIN_APP_Key,
  10. baidu_secret_key = WENXIN_APP_SECRET,
  11. verbose=True,
  12. )
  13. # 模拟问关于订单
  14. def search_order(input:str) ->str:
  15. return "订单状态:已发货;发货日期:2023-09-15;预计送达时间:2023-09-18"
  16. # 模拟问关于推荐产品
  17. def recommend_product(input:str)->str:
  18. return "红色连衣裙"
  19. # 模拟问电商faq
  20. def faq(input:str)->str:
  21. return "7天无理由退货"
  22. # 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
  23. # 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
  24. tools=[
  25. Tool(
  26. name="Search Order",func=search_order,
  27. description="useful for when you need to answer questions about customers orders"
  28. ),
  29. Tool(
  30. name="Recommend Product",func=recommend_product,
  31. description="useful for when you need to answer questions about product recommendations"
  32. ),
  33. Tool(
  34. name="FAQ",func=faq,
  35. description="useful for when you need to answer questions about shopping policies, like return policy, shipping policy, etc."
  36. ),
  37. ]
  38. # 指定使用tools,llm,agent则是zero-shot"零样本分类",不给案例自己推理
  39. # 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)
  40. agent=initialize_agent(tools,llm,agent="zero-shot-react-description", verbose=True)
  41. 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?"
  42. result=agent.run(question)
  43. print(result)

result:

  1. Action: Recommend Product
  2. Action Input: 顾客询问衣服款式推荐
  3. Observation: 我将根据顾客的需求和喜好推荐几个款式。
  4. Action: 开始搜索并筛选出几个符合顾客需求的款式。
  5. Observation: 这些款式都是比较受欢迎的,并且符合顾客的喜好。
  6. ...
  7. 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。
  8. 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。
  9. Final Answer: 推荐款式为:款式A、款式B和款式C。
  10. 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”

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/运维做开发/article/detail/879601
推荐阅读
相关标签
  

闽ICP备14008679号