LangChain 代理类型学习笔记
1. 结构化工具对话代理（Structured Tool Chat Agent）
- 定义：允许代理调用包含一系列复杂工具的“结构化工具箱”，组合调用多个工具完成批次相关的任务集合。
- 应用场景：文件管理、Web浏览器交互等。
- PlayWright工具包：一个自动化框架，模拟用户操作网页，支持多种浏览器。
示例代码分析：
from langchain.agents.agent_toolkits import PlayWrightBrowserToolkit
from langchain.tools.playwright.utils import create_async_playwright_browser
async_browser = create_async_playwright_browser()
toolkit = PlayWrightBrowserToolkit.from_browser(async_browser=async_browser)
tools = toolkit.get_tools()
print(tools)
from langchain.agents import initialize_agent, AgentType
from langchain.chat_models import ChatAnthropic, ChatOpenAI
llm = ChatOpenAI(temperature=0.5)
agent_chain = initialize_agent(
tools,
llm,
agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
verbose=True,
)
async def main():
response = await agent_chain.arun("What are the headers on python.langchain.com?")
print(response)
import asyncio
loop = asyncio.get_event_loop()
loop.run_until_complete(main())
- 分析：代理首先使用
PlayWrightBrowserToolkit访问网页，然后使用get_elements工具获取标题。这个过程展示了代理如何通过组合工具完成复杂任务。
2. Self-Ask with Search 代理
- 定义：利用“Follow-up Question”加“Intermediate Answer”技巧，辅助大模型寻找过渡性答案，引出最终答案。
- 应用场景：解决多跳问题，即问题的答案依赖于另一个子问题的答案。
示例代码分析：
from langchain import OpenAI, SerpAPIWrapper
from langchain.agents import initialize_agent, Tool
from langchain.agents import AgentType
llm = OpenAI(temperature=0)
search = SerpAPIWrapper()
tools = [
Tool(
name="Intermediate Answer",
func=search.run,
description="useful for when you need to ask with search",
)
]
self_ask_with_search = initialize_agent(
tools, llm, agent=AgentType.SELF_ASK_WITH_SEARCH, verbose=True
)
self_ask_with_search.run(
"使用玫瑰作为国花的国家的首都是哪里?"
)
- 分析：代理通过两次追问和搜索，最终确定使用玫瑰作为国花的国家是英国，然后找到英国的首都是伦敦。
3. Plan and execute 代理
- 定义：通过首先计划要做什么，然后执行子任务来实现目标。
- 特点：计划由一个大语言模型代理完成，执行由另一个大语言模型代理完成。
示例代码分析：
from langchain.chat_models import ChatOpenAI
from langchain_experimental.plan_and_execute import PlanAndExecute, load_agent_executor, load_chat_planner
from langchain.llms import OpenAI
from langchain import SerpAPIWrapper
from langchain.agents.tools import Tool
from langchain import LLMMathChain
search = SerpAPIWrapper()
llm = OpenAI(temperature=0)
llm_math_chain = LLMMathChain.from_llm(llm=llm, verbose=True)
tools = [
Tool(
name = "Search",
func=search.run,
description="useful for when you need to answer questions about current events"
),
Tool(
name="Calculator",
func=llm_math_chain.run,
description="useful for when you need to answer questions about math"
),
]
model = ChatOpenAI(temperature=0)
planner = load_chat_planner(model)
executor = load_agent_executor(model, tools, verbose=True)
agent = PlanAndExecute(planner=planner, executor=executor, verbose=True)
agent.run("在纽约，100美元能买几束玫瑰?")
- 分析：代理首先计划如何解决问题，然后执行子任务，如搜索和计算，最终给出答案。
思考题解答
-
打印PlayWrightBrowserToolkit中的所有具体工具名称的列表：
tools = toolkit.get_tools() print([t.name for t in tools])这将打印出PlayWrightBrowserToolkit中所有工具的名称列表。
-
分析PlanAndExecute、AgentExecutor和LLMMathChain链的调用流程以及代理的思考过程：
- PlanAndExecute：首先由
planner制定计划，然后将计划传递给executor执行。 - AgentExecutor：负责执行具体的工具调用，如搜索和计算。
- LLMMathChain：处理数学计算相关的任务。
- 思考过程：代理首先确定需要执行的任务，然后根据任务选择合适的工具，执行任务，并根据结果进行下一步思考或给出最终答案。
- PlanAndExecute：首先由
