学习笔记12《代理（中）：AgentExecutor究竟是怎样驱动模型和工具完成任务的？》

LangChain 核心理念

• 代理（Agent）与链（Chain）的差异：
  • 链：操作硬编码在代码中。
  • 代理：使用语言模型动态决定操作序列。

Agent 的关键组件

1. 代理（Agent）：

   • 由语言模型和提示（prompt）驱动。
   • 提示包含性格、背景和推理策略。
   • LangChain提供多种类型的代理。

2. 工具（Tools）：

   • 代理调用的函数。
   • 关键在于提供正确的工具和正确描述工具。

3. 工具包（Toolkits）：

   • 完成特定目标的一组相关工具。
   • 例如：Office365工具包。

4. 代理执行器（AgentExecutor）：

   • 代理的运行环境。
   • 负责调用代理、执行操作、处理复杂情况和日志记录。

AgentExecutor 的运行机制

• 关键代码回顾：

  llm = OpenAI(temperature=0)  # 大语言模型
  tools = load_tools(["serpapi", "llm-math"], llm=llm)  # 工具-搜索和数学运算
  agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)  # 代理
  agent.run("目前市场上玫瑰花的平均价格是多少？如果我在此基础上加价15%卖出，应该如何定价？")  # 运行代理
  

• 深入AgentExecutor：

  • 设置断点，使用“Step Into”功能深入agent.py文件的AgentExecutor类内部方法_take_next_step。

• 第一轮思考：模型决定搜索：

  • Plan方法由Agent类的Plan方法完成。
  • 传递问题给llm_chain，接收返回结果。

• 第二轮思考：模型决定计算：

  • 根据搜索结果，模型决定使用计算器工具。

• 第三轮思考：模型完成任务：

  • 模型判断任务完成，输出最终答案。

思考题

• 分析AgentExecutor类中的_take_next_step方法，理解其如何实现Plan和工具调用。

延伸阅读

• 代码实现细节：
  • AgentExecutor类。
  • LLMChain类。