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。
ReAct 框架的灵感正是来自“行动”和“推理”之间的协同作用，这种协同作用使得咱们人类能够学习新任务并做出决策或推理。 具体来说，就是引导模型生成一个任务解决轨迹：观察环境-进行思考-采取行动，也就是观察-思考-行动。那么，再进一步进行简化，就变成了推理-行动，也就是Reasoning-Acting框架。
通过ReAct框架，大模型将被引导生成一个任务解决轨迹，即观察环境-进行思考-采取行动。观察和思考阶段被统称为推理（Reasoning），而实施下一步行动的阶段被称为行动（Acting）。在每一步推理过程中，都会详细记录下来，这也改善了大模型解决问题时的可解释性和可信度。
Agent 和 Chain的区别就是，Chain是存在代码里的，而Agent是通过外部工具调用。
结构化工具
通过指定AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION 这个代理类型，代理能够调用包含一系列复杂工具的“结构化工具箱”，组合调用其中的多个工具，完成批次相关的任务集合。
使用 Self-Ask with Search 代理
Self-Ask with Search 也是LangChain中的一个有用的代理类型（SELF_ASK_WITH_SEARCH）。它利用一种叫做 “Follow-up Question（追问）”加“Intermediate Answer（中间答案）”的技巧，来辅助大模型寻找事实性问题的过渡性答案，从而引出最终答案。
Example：“使用玫瑰作为国花的国家的首都是哪里? ”这个问题不是一个简单的问题，它其实是一个多跳问题——在问题和最终答案之间，存在中间过程。
为什么 Self-Ask with Search 代理适合解决多跳问题呢？有下面几个原因。
- 工具集合：代理包含解决问题所必须的搜索工具，可以用来查询和验证多个信息点。这里我们在程序中为代理武装了SerpAPIWrapper工具。
- 逐步逼近：代理可以根据第一个问题的答案，提出进一步的问题，直到得到最终答案。这种逐步逼近的方式可以确保答案的准确性。
- 自我提问与搜索：代理可以自己提问并搜索答案。例如，首先确定哪个国家使用玫瑰作为国花，然后确定该国家的首都是什么。
- 决策链：代理通过一个决策链来执行任务，使其可以跟踪和处理复杂的多跳问题，这对于解决需要多步推理的问题尤为重要。
使用 Plan and execute 代理
这种代理的独特之处在于，它的计划和执行不再是由同一个代理所完成，而是：
- 计划由一个大语言模型代理（负责推理）完成。
- 执行由另一个大语言模型代理（负责调用工具）完成。
