介绍三种新的代理
结构化工具
所谓结构化工具，其实就是个工具集合。 早期的LangChain只允许一次调用一个工具，后来随着大模型的推理功能增强，一次可以组合调用多个工具。
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。
举例来说，结构化工具的示例包括：
- 文件管理工具集：支持所有文件系统操作，如写入、搜索、移动、复制、列目录和查找。
- Web 浏览器工具集：官方的 PlayWright 浏览器工具包，允许代理访问网站、点击、提交表单和查询数据。
PlayWright结构化工具包
一个自动化框架，模拟人去操作浏览器。
from playwright.sync_api import sync_playwright
def run():
# 使用Playwright上下文管理器
with sync_playwright() as p:
# 使用Chromium，但你也可以选择firefox或webkit
browser = p.chromium.launch()
# 创建一个新的页面
page = browser.new_page()
# 导航到指定的URL
page.goto('https://langchain.com/')
# 获取并打印页面标题
title = page.title()
print(f"Page title is: {title}")
# 关闭浏览器
browser.close()
if __name__ == "__main__":
run()
很简单，有点类似爬虫。
使用结构化工具对话代理
这个这里就不展开说了，整个过程就是显示模型在思考中是如何一步步调用这个playwright这个工具包中的不同工具。 结构化工具对话过程
使用 Self-Ask with Search 代理
这种代理主要解决的是“多跳问题”，多跳问题就是这个问题并不是一个元问题，意味着这个问题还能拆分。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。
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
计划和执行代理通过首先计划要做什么，然后执行子任务来实现目标。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。
