LangChain中代理（Agent）相关知识学习笔记
一、代理的引入
在自然语言处理领域，大语言模型虽然强大，但存在无法主动更新知识的固有问题，容易出现“事实幻觉”。为解决这一问题，代理（Agent）应运而生。代理就像一个智能的桥梁，连接着大模型和外部工具，能够根据用户输入自主判断并调用合适的工具，以获取更准确和全面的信息，从而提高大模型的实用性和可靠性。
二、代理的关键组件
（一）代理（Agent）
它是代理机制的核心，由语言模型和提示（prompt）驱动。提示中包含代理的性格、任务背景以及提示策略等信息，这些信息引导代理以特定方式进行响应和决策。不同类型的代理适用于不同的任务场景，如ReAct框架下的代理、Structured tool chat代理等。
（二）工具（Tools）
工具是代理实现各种功能的具体手段，是代理调用的函数。为了让代理能够有效地完成任务，我们需要确保代理能够访问到正确的工具，并且以清晰、准确的方式描述这些工具的功能和使用方法。例如，在查找信息时，我们可以为代理提供搜索引擎工具；在进行数学计算时，提供计算器工具等。
（三）工具包（Toolkits）
工具包是一组相关工具的集合，它们共同协作以完成特定的目标。工具包的设计使得代理在处理复杂任务时更加高效和便捷。比如，LangChain的Office365工具包中包含了连接Outlook、读取邮件列表、发送邮件等一系列工具，这些工具相互配合，能够满足与办公相关的各种任务需求。
（四）代理执行器（AgentExecutor）
代理执行器是代理的运行环境，它负责调用代理并执行代理选择的操作。在执行过程中，代理执行器需要处理各种复杂情况，如代理选择了不存在的工具、工具出错、代理输出无法解析成工具调用等。同时，它还负责对代理的决策和工具调用进行观察和日志记录，以便于调试和优化代理的性能。
三、ReAct框架
（一）原理
ReAct框架的灵感来源于人类的决策过程，强调“行动”和“推理”的协同作用。在这个框架中，大模型通过生成推理痕迹和任务特定行动来实现更大的协同效果。具体来说，模型首先对当前环境和状态进行观察，生成推理轨迹，然后根据推理结果决定采取何种行动，如与外部源交互获取信息或给出最终答案。这种框架不仅提高了大模型解决问题的能力，还改善了其可解释性和可信度。
（二）示例
以在虚拟环境中找到胡椒瓶并将其放在抽屉里为例，展示了ReAct框架的具体应用。在这个任务中，没有推理能力的模型可能无法完成任务，但使用ReAct框架后，模型能够逐步思考并采取行动，如先确定胡椒瓶可能出现的位置，然后前往相应位置寻找，找到后再将其放置在抽屉里。通过这个示例，我们可以看到ReAct框架如何引导模型有条不紊地完成复杂任务。
四、AgentExecutor的运行机制
（一）关键代码回顾
通过回顾设置模型、工具、代理并运行代理的关键代码，我们可以对AgentExecutor的使用有一个初步的了解。在实际应用中，我们需要根据具体需求选择合适的模型和工具，并将它们与代理进行集成，以实现特定的任务目标。
（二）运行机制剖析
为了深入了解AgentExecutor的运行机制，我们通过设置断点的方式深入到代码内部进行分析。在这个过程中，我们发现AgentExecutor的_take_next_step方法是整个运行机制的核心，它掌控着下一步要调用什么工具的计划。在该方法中，首先调用代理的Plan方法，根据输入问题生成初步的计划，然后根据计划选择相应的工具并执行。在工具执行完成后，获取观察结果，并将其与历史信息一起作为新的输入，再次调用代理的Plan方法进行下一轮的思考和决策，直到任务完成或达到预设的停止条件。
在这个过程中，提示信息起到了至关重要的作用。提示信息不仅告诉模型要完成的任务，还指导模型如何使用工具以及如何进行推理和决策。通过不断调整和优化提示信息，我们可以提高代理的性能和效果。
五、复杂代理类型
（一）结构化工具对话代理
随着语言模型的发展，对工具使用的限制逐渐放宽，结构化工具对话代理应运而生。这种代理能够使用结构化工具集，通过组合调用多个工具来完成复杂的任务。以PlayWright工具包为例，它提供了一系列用于自动化网页操作的工具，如点击、导航、提取文本等。结构化工具对话代理可以利用这些工具自动完成网页相关的任务，如访问特定网页、获取网页标题和内容等。
（二）Self-Ask with Search代理
Self-Ask with Search代理是一种专门用于解决多跳问题的代理类型。多跳问题是指为了得到最终答案，需要进行多步推理或多次查询的问题。这种代理通过追问和中间答案的方式，引导大模型逐步找到最终答案。例如，在查找使用玫瑰作为国花的国家的首都时，代理会先确定使用玫瑰作为国花的国家，然后再查找该国家的首都。通过这种逐步逼近的方式，代理能够有效地解决复杂的多跳问题。
（三）Plan and execute代理
Plan and execute代理的独特之处在于它将计划和执行分别由不同的大语言模型完成。首先，一个大语言模型负责制定计划，将整个任务划分为多个子任务；然后，另一个大语言模型负责执行这些子任务。这种分工协作的方式使得代理在处理复杂任务时更加灵活和高效。以计算在纽约100美元能买几束玫瑰为例，计划模型先确定需要获取玫瑰在纽约的平均价格，然后执行模型根据平均价格计算出可购买的玫瑰束数。
六、总结
代理是LangChain中非常重要的概念，它通过与外部工具的结合，赋予了大模型更强的自主性和实用性。ReAct框架为代理的运行提供了理论基础，使得代理能够更加智能地进行推理和决策。AgentExecutor作为代理的执行引擎，负责协调各个组件的工作，确保代理能够顺利完成任务。不同类型的代理适用于不同的任务场景，我们可以根据具体需求选择合适的代理类型来解决问题。在未来的发展中，代理技术有望在更多领域得到应用，为人工智能的发展带来新的机遇和挑战。
