引言
大模型能够通过中间的推理步骤，对复杂问题进行推理，解决具有挑战性的任务。然而，大模型存在一些固有问题，比如：
- 无法自动更新知识：大模型仅能依赖训练数据和上下文信息，一旦问题超出认知范围，就会出现错误。
- 幻觉问题：大模型可能会根据提示生成虚假或错误信息。
解决方法
为了解决上述问题，可以：
- 验证提示信息的真实性：如发现错误，则进行修正。
- 调用外部工具：如搜索引擎，检索并验证信息的真实性。
LangChain代理
大模型自主判断、调用工具，并决定下一步行动的行为，被称为代理。
代理的三个关键元素
- 大模型：负责逻辑推理和预测生成。
- 外部工具：如搜索引擎、数据处理工具。
- 代理机制：管理大模型与工具之间的交互流程。
在复杂问题求解中，代理需合理选择工具并制定行动策略。例如：
- 何时使用本地知识库？
- 如何验证外部搜索工具返回的内容？
- 怎样确保信息真实性检索的完整性？
ReAct框架
ReAct框架（Reasoning-Acting）是LangChain代理的核心逻辑，包括以下步骤：
- Thought（思考）：由大模型生成逻辑推理过程，决定行动依据。
- Act（行动）：选择适当的工具或API，并生成参数执行目标行动。
- Obs（观察）：获取外界反馈，为进一步决策提供依据。
通过上述循环，代理可以动态推理和调整计划，与外部工具交互，完成复杂任务。
使用示例
目标：找到玫瑰的当前市场价格，并计算加价15%后的新价格。
环境准备
- 注册 SerpAPI 并获取
SERPAPI_API_KEY。 - 安装必要依赖：
pip install google-search-results
import os
from langchain.agents import load_tools, initialize_agent, AgentType
from langchain.llms import OpenAI
# 设置API密钥
os.environ["OPENAI_API_KEY"] = 'Your OpenAI API Key'
os.environ["SERPAPI_API_KEY"] = 'Your SerpAPI API Key'
# 初始化大模型
llm = OpenAI(temperature=0)
# 加载工具
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# 初始化代理
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
# 执行查询
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？")
