示例
还是从一个简单的代码示例开始
from langchain.agents import create_tool_calling_agent
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
我们可以从这个示例里面看到通过了create_tool_calling_agent方法创建出来了一个agent, 传递了三个参数:
- llm 我们使用的大模型
- tools 可以使用的工具, 也可以认为就是functions,函数
- prompt 提示词, 这个没有什么需要补充的
传递的tools有个别名, function_calls
那我们就会有个疑问什么是tool?
Tool
我们可以看下官方解释:
Tools are interfaces that an agent, chain, or LLM can use to interact with the world. They combine a few things:
- The name of the tool
- A description of what the tool is
- JSON schema of what the inputs to the tool are
- The function to call
- Whether the result of a tool should be returned directly to the user
其实跟我们平常理解的函数是很像的, 需要描述Tool的名称 作用 输入 输出.
可以认为这Tool 其实就是callback, 当AI认为需要使用这个方法的时候, 就会调用到这里
创建Tool
@tool
def search(query: str) -> str:
"""Look up things online."""
return "LangChain"
有了Tool 的含义解释, 那么也就很容易理解agent的含义了
Agent
Agent就像是一个推理的任务中心, 当你咨询某个问题的时候, 他会推理这个问题是否需要借助某些工具(Tool)来实现, 如果需要就会调用到这个Tool
一个最简单的例子就是搜索功能, 绕过LLM的知识库限制
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.prompts import ChatPromptTemplate
tools = [TavilySearchResults(max_results=1)]
prompt = ChatPromptTemplate.from_messages(
[
(
"system",
"You are a helpful assistant. Make sure to use the tavily_search_results_json tool for information.",
),
("placeholder", "{chat_history}"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
]
)
# Construct the Tools agent
agent = create_tool_calling_agent(llm, tools, prompt)
# Create an agent executor by passing in the agent and tools
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
agent_executor.invoke({"input": "what is LangChain?"})
