总结
- LangChain中代理相关关键组件：
- 代理（Agent）：由语言模型和提示驱动，决定下一步执行的操作。提示包含代理性格、任务背景、提示策略等，LangChain有多种不同类型代理。
- 工具（Tools）：是代理调用的函数，要让代理能访问正确工具且需以合适方式描述，LangChain提供了系列工具，也可自定义。
- 工具包（Toolkits）：是一组完成特定目标的相关工具集合，如Office365工具包包含多种办公相关工具。
- 代理执行器（AgentExecutor）：是代理的运行环境，负责调用代理并执行其选择的操作，还能处理多种复杂情况，如工具不存在、出错等，同时进行观察和日志记录。
- AgentExecutor运行机制深入剖析：
- 第一轮思考：模型决定搜索：通过在相关代码处设置断点深入调试，发现输入问题传递给llm_chain后接收大模型返回结果。给大模型的提示详细说明了可使用的工具及思考、行动、观察等格式要求，模型据此返回需调用搜索工具及输入内容，之后LangChain解析结果知道要调用Search工具，调用后得到Observation结果。
- 第二轮思考：模型决定计算：任务未完成进入新一轮Plan环节，LLM Chain根据历史对话记录生成新提示，大模型依据此提示返回需调用计算器工具及输入内容，经解析后AgentExecutor调用LLMMath工具进行计算，计算过程通过特定提示指导LLM利用Python数学库完成，最终得到Observation结果。
- 第三轮思考：模型完成任务：Executor的Plan将新结果传递给大模型，最新提示包含之前各轮的思考、行动及观察信息，模型经此轮思考后输出表明意识到任务已完成，AgentExcutor的plan方法返回AgentFinish实例，标志任务结束，得出玫瑰平均价格及加价后的价格。
深入思考
- LangChain的代理机制通过将语言模型与各种工具及执行器相结合，实现了一种灵活且智能的任务处理方式。它打破了传统硬编码操作序列的模式，利用语言模型的推理能力自主决定操作流程，大大提高了处理不同任务的通用性和适应性。
- 在整个运行过程中，提示信息起到了关键作用，它为模型提供了清晰的思考框架和行动指南，使得模型能够按照设定的格式进行思考、行动和观察，并根据不同轮次的结果不断调整，逐步接近并最终完成任务。
- 不同工具的调用及配合也很精妙，如搜索工具用于获取相关信息，计算器工具用于进行数学运算，且针对计算器工具调用LLM时还有专门的提示来指导其利用Python库准确计算，确保了整个任务处理流程的顺畅进行。
思考题答案
在agent.py文件中找到AgentExecutor类及其中的_take_next_step方法后，其实现Plan和工具调用的方式如下：
Plan的实现
- 启动计划：在_take_next_step方法驱动下，深入self.agent.plan方法来到Plan环节，输入问题传递给llm_chain，进而调用大模型获取返回结果，此过程依据给大模型的特定提示信息（包含任务、可使用工具及思考、行动、观察等格式要求）来引导大模型做出关于下一步行动的决策，从而开启计划流程。
- 根据模型输出调整计划：大模型返回结果包含了下一步行动（如搜索或计算等）及相应输入内容，AgentExecutor通过解析这些输出，明确了模型的计划，如在第一轮思考中模型决定搜索，就根据此确定要调用的Search工具，后续轮次同理，根据模型不同轮次的输出不断调整和明确计划内容，推动任务处理流程继续。
工具调用的实现
- 确定要调用的工具：根据大模型返回的Action信息（如Search或Calculator等），OutputParse解析此结果后，AgentExecutor能清楚知道要调用的具体工具。例如，当模型返回Action为Search时，就明确要调用搜索工具；当返回Action为Calculator时，就知道要调用计算器工具。
- 执行工具调用并获取Observation：确定要调用的工具后，AgentExecutor将输入传给相应工具执行计划，从而获得该工具调用的Observation结果。比如调用搜索工具后得到关于玫瑰花价格的信息，调用计算器工具后得到计算后的价格结果等。这些Observation结果又会作为后续给大模型提示的一部分，用于下一轮的思考、行动和观察，如此循环直至任务完成。
