这次内容总结12-14课，主题为：大模型中的代理。
这几章内容总结了如何通过结合思维链（Chain of Thought, CoT）和ReAct框架来提高大型语言模型（LLMs）的推理能力和可信度。CoT允许LLMs通过中间推理步骤来完成复杂任务，但它们无法更新知识，可能导致事实错误。为了解决这个问题，提出了使用外部工具（如本地知识库和搜索引擎）来验证信息真实性的方法。本节强调了代理（Agent）的作用，它作为一个接口，能够根据用户输入决定调用哪些工具，并管理整个交互过程。在LangChain中，代理、大模型和外部工具共同工作，代理负责调用适当的外部工具并管理交互流程。ReAct框架灵感来源于人类的行动和推理之间的协同作用，它指导大模型生成推理轨迹和任务特定操作。ReAct框架包括观察、思考和行动三个步骤，即观察-思考-行动，简化为推理-行动（Reasoning-Acting）。这个框架提高了大模型解决问题的可解释性和可信度。LangChain通过Agent类实现了ReAct框架，赋予了大模型自主性，使其能够使用工具并执行动态推理。通过结合ReAct框架和CoT，大模型能够同时使用内部知识和外部信息，提高回应的可靠性和模型的可解释性。
LangChain的核心理念是利用语言模型来选择执行的操作序列，而不是将这些操作硬编码在代码中。这种理念体现了LLM作为AI自主决定程序逻辑的新编程范式的价值。
代理的关键组件包括：
- 代理（Agent） ：由语言模型和提示（prompt）驱动，决定下一步执行什么操作。
- 工具（Tools） ：代理调用的函数，需要确保代理能访问正确的工具，并且正确描述这些工具。
- 工具包（Toolkits） ：一组用于完成特定目标的彼此相关的工具。
- 代理执行器（AgentExecutor） ：代理的运行环境，负责调用代理并执行代理选择的操作，同时处理复杂情况。
代理执行器（AgentExecutor）的运行机制涉及到以下几个关键步骤：
- 第一轮思考：模型决定搜索：代理执行器通过Plan方法，将问题传递给语言模型，模型返回下一步行动指南。
- 工具调用：根据模型的输出，调用相应的工具，并获取工具调用的结果（Observation）。
- 第二轮思考：模型决定计算：再次调用语言模型，形成新的思考，判断任务是否完成或需要再次调用工具。
- 第三轮思考：模型完成任务：模型判断任务已完成，并输出最终答案。
整个过程是动态的，代理执行器根据模型的输出不断调整操作序列，直至任务完成。这种机制使得LangChain能够灵活地处理各种任务，而不需要预先硬编码操作步骤。
