引言：这篇文章介绍了如何使用fake LLM来进行测试，以及为什么要使用fake LLM。所谓fake LLM，指的就是一种模拟语言模型(LLM)的工具，它能够模拟出一些特定的情况和响应，让我们更好地测试和验证自己的代码。
在本文中，我们将以在agent中使用FakeLLM为例来说明如何使用fake LLM。
首先，我们需要导入所需的库，并定义一些模拟响应：
from langchain.llms.fake import FakeListLLM
from langchain.agents import load_tools
from langchain.agents import initialize_agent
from langchain.agents import AgentType
tools = load_tools(["python_repl"])
responses=[
"Action: Python REPL\nAction Input: print(2 + 2)",
"Final Answer: 4"
]
llm = FakeListLLM(responses=responses)
这段代码中，我们导入了需要用到的库，并定义了一个responses的列表，其中包含了两个字符串。这两个字符串都是我们希望fake LLM能够响应的内容，第一个字符串表示我们要执行一个名为“Python REPL”的操作，并将“print(2 + 2)”作为参数传入，第二个字符串表示最终的响应结果是数字“4”。
然后，我们使用FakeListLLM类来创建一个fake LLM对象，并将刚才定义的responses列表作为参数传入。
接下来，我们需要初始化一个agent，并将上面创建的llm对象作为参数传入：
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
这段代码中，我们调用initialize_agent函数，将tools、llm和agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION作为参数传入。其中，tools指的是我们要使用的工具，这里是“python_repl”；llm是我们刚才创建的fake LLM对象；AgentType.ZERO_SHOT_REACT_DESCRIPTION表示我们要使用的agent类型。
最后，我们调用agent.run函数来执行代码：
agent.run("whats 2 + 2")
这段代码中，我们以“whats 2 + 2”作为参数调用agent.run函数。这将返回我们刚才定义的responses列表中的两个字符串，其中包括Python REPL操作和最终的响应结果数字“4”。
通过这种方式，我们可以轻松使用fake LLM来测试和验证自己的代码，并模拟出各种不同的情况和响应结果。
今天就到这里，明天继续连载。
