一.代理
1.为什么要用代理
在之前的思维链（CoT）中，我们看到了 LLMs 执行推理轨迹的能力。在给出答案之前，大模型通过中间推理步骤能够实现复杂的推理，获得更好的结果，以完成更具挑战的任务。
然而，仅仅应用思维链推理并不能解决大模型的固有问题：无法主动更新自己的知识，导致出现事实幻觉。那我们如何解决这个问题：
这里的本地知识库和搜索引擎，都不是封装在大模型内部的知识，即“外部工具”。
2.代理的作用
代理就像一个多功能的接口，它能够接触并使用一套工具。根据用户的输入，代理会决定调用哪些工具。它不仅可以同时使用多种工具，而且可以将一个工具的输出数据作为另一个工具的输入数据。
在LangChain中使用代理，我们只需要理解下面三个元素。
- 大模型：提供逻辑的引擎，负责生成预测和处理输入。
- 与之交互的外部工具：可能包括数据清洗工具、搜索引擎、应用程序等。
- 控制交互的代理：调用适当的外部工具，并管理整个交互过程的流程。
3.ReAct框架
首先引入一个例子，在运营花店的过程中，经常会经历天气变化而导致的鲜花售价变化，那么每天早上应该如何为鲜花定价？
在这个简单的例子中，我们看到有观察、有思考，然后才会具体行动。这里的观察和思考，我们统称为推理（Reasoning）过程，推理指导着你的行动（Acting）。推理加上行动就有了我们现在的ReAct框架。
Reasoning包括了对当前环境和状态的观察，并生成推理轨迹。这使模型能够诱导、跟踪和更新操作计划，甚至处理异常情况。Acting在于指导大模型采取下一步的行动，比如与外部源（如知识库或环境）进行交互并且收集信息，或者给出最终答案。
我们还可以将 ReAct框架和思维链（CoT）结合使用，则能够让大模型在推理过程同时使用内部知识和获取到的外部信息，从而给出更可靠和实际的回应，也提高了 LLMs 的可解释性和可信度。
3.通过代理实现ReAct框架
下面，我们用LangChain中最为常用的 ZERO_SHOT_REACT_DESCRIPTION ——这种常用代理类型，来剖析一下LLM是如何在ReAct框架的指导之下进行推理的。
此处，我们要给代理一个任务，这个任务是找到玫瑰的当前市场价格，然后计算出加价15%后的新价格。
import os
os.environ["SERPAPI_API_KEY"] = (
"Your SERPAPI API KEY"
)
# 加载所需的库
from langchain_community.agent_toolkits.load_tools import load_tools
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain_openai import ChatOpenAI # ChatOpenAI模型
# 初始化大模型
llm = ChatOpenAI(model=os.environ["LLM_MODELEND"], temperature=0)
# 设置工具
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# 初始化Agent
agent = initialize_agent(
tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True
)
# 跑起来
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？"
)
观察代码，这里我们使用了在 serpapi.com 注册账号后拿到的 SERPAPI_API_KEY，这个就是为大模型提供的 Google 搜索工具。
tools = load_tools(["serpapi", "llm-math"], llm=llm)：这里加载一些要使用的工具，包括serpapi（调用Google搜索引擎的工具）以及llm-math（通过LLM进行数学计算的工具）。
然后通过initialize_agent()方法，我们使用工具tools、语言模型llm和代理类型agent初始化代理，这三个就是上面提到的代理的三个元素。
最后我们运行代理查看结果：
我们看到，ZERO_SHOT_REACT_DESCRIPTION类型的智能代理在LangChain中，自动形成了一个完善的思考与行动链条，而且给出了正确的答案。下面这个表格解释了链条中的每一个环节。
这个思维链条中，智能代理有思考、有观察、有行动，成功通过搜索和计算两个操作，完成了任务。
