LangChain中的Agent（代理）| 豆包MarsCode AI 刷题

溺水的鱼和会飞的猪
115 阅读5分钟

LangChain中的Agent（代理）

代理的作用

在 LangChain 中，Agent（代理） 是一个核心组件，用于动态调用工具并完成复杂任务。与固定流程的链（Chain）不同，Agent 能够基于输入内容和上下文，自主选择工具或方法，适配灵活多变的任务场景。

主要功能：

  1. 动态决策：根据用户输入实时选择合适的工具。
  2. 多工具协作：支持多个工具的组合使用。
  3. 增强智能：通过逻辑推理和上下文理解，完成复杂任务。

代理的存在，使得应用不仅仅是被动响应，而是通过工具的灵活调用，具有更强的任务适应能力。

ReAct框架

ReAct（Reasoning + Acting） 是一种结合推理与行动的框架，广泛用于实现大语言模型的动态任务执行。通过 ReAct，代理可以先进行逻辑推理（Reasoning），然后基于推理结果采取行动（Acting），实现复杂任务的分步执行。

特点：

  1. 逻辑推理：对任务进行分析，决定下一步动作。
  2. 工具调用：基于推理动态调用工具获取结果。
  3. 闭环执行：通过反馈循环调整任务执行路径。

如何通过代理实现ReAct框架

在 LangChain 中，通过代理实现 ReAct 框架需要以下步骤：

  1. 定义工具：注册代理可以调用的工具集。
  2. 配置提示：设计提示模板，指导代理结合推理与行动。
  3. 执行代理：使用代理接口动态完成任务。

示例代码

  from langchain.agents import Tool, initialize_agent
  from langchain.chat_models import ChatOpenAI
  from langchain.prompts import PromptTemplate
  ​
  # 定义工具
  def search_tool(query: str) -> str:
      return f"Searching for: {query}"  # 模拟搜索工具
  ​
  tools = [
      Tool(name="Search", func=search_tool, description="Search for information on the web.")
  ]
  ​
  # 初始化代理
  llm = ChatOpenAI(temperature=0)
  agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)
  ​
  # 执行代理
  response = agent.run("What is the capital of France?")
  print(response)

Agent 的关键组件

  1. 工具（Tools） 工具是代理动态调用的核心。每个工具都包含名称、功能和描述，代理通过工具完成特定子任务。
  2. 提示模板（Prompt Template） 提示指导代理结合推理和行动，明确任务目标和执行逻辑。
  3. 代理执行器（AgentExecutor） AgentExecutor 是代理的运行引擎，负责解析输入、执行推理、调用工具，并返回最终结果。

深挖 AgentExecutor 的运行机制

AgentExecutor 的核心机制可以分为以下几步：

  1. 输入解析：将用户输入转换为适配工具的查询。
  2. 决策逻辑：根据输入和上下文推断下一步行动。
  3. 工具调用：选择并调用工具执行子任务。
  4. 结果整合：将工具返回的结果整理后作为输出。

通过 AgentExecutor，LangChain 能动态实现逻辑推理和工具调用的闭环操作。

什么是结构化工具？

结构化工具是指具有严格输入输出格式的工具，能够让代理更高效地解析数据和调用功能。与常规工具相比，结构化工具定义了明确的接口，适用于高精度任务。

示例

JSON 格式的 API 是一种常见的结构化工具，通过统一的字段规范，代理可以轻松解析和调用。

什么是 Playwright？

Playwright 是一个强大的浏览器自动化工具，支持多种编程语言。结合 LangChain，可以将 Playwright 作为工具，用于执行网页操作，例如模拟搜索、数据抓取等。

应用场景

  • 自动化表单填写
  • 网页数据抓取
  • 在线任务模拟

使用结构化工具对话代理

LangChain 提供了对话代理功能，通过结构化工具增强代理对话能力。例如，可以结合 API 接口实现动态信息查询或复杂数据操作。

示例

  
  from langchain.tools import StructuredTool
  ​
  # 定义结构化工具
  def api_query_tool(query: dict) -> dict:
      return {"response": f"Processed query: {query}"}
  ​
  structured_tool = StructuredTool.from_function(
      api_query_tool,
      name="API Query Tool",
      description="Query API with structured inputs."
  )
  ​
  # 使用结构化工具代理
  response = structured_tool({"key": "value"})
  print(response)  # 输出: {'response': 'Processed query: {"key": "value"}'}

使用 Self-Ask with Search 代理

Self-Ask with Search 是一种将自我提问与搜索工具结合的代理形式，通过提出子问题分步解决复杂任务。

实现原理

  1. 生成子问题：分析任务，拆解为多个子问题。
  2. 逐步解决：调用工具依次解决子问题。
  3. 整合结果：组合子问题的答案形成最终结果。

使用 Plan and Execute 代理

Plan and Execute 是一种规划与执行分离的代理框架。它先生成任务计划，然后逐步执行各子任务，适合复杂任务或长任务链场景。

工作流程

  1. 任务规划：生成完整计划，包括每步的具体操作。
  2. 分步执行：按计划顺序执行任务，并调整步骤。
  3. 结果汇总：整合各步骤的输出。

示例

  
  from langchain.agents import initialize_agent
  ​
  # 定义规划与执行工具
  tools = [Tool(name="Task1", func=lambda x: f"Task 1 completed with {x}!")]
  ​
  agent = initialize_agent(tools, llm, agent="plan-and-execute", verbose=True)
  result = agent.run("Complete the tasks in sequence.")
  print(result)

总结

LangChain 中的 Agent 提供了强大的工具调用和任务执行功能，通过 ReAct 框架和多种代理类型（如结构化工具代理、Self-Ask with Search、Plan and Execute），可以实现灵活的任务适配。通过深挖 AgentExecutor 的运行机制，开发者能够更高效地组织复杂任务逻辑，提升智能系统的表现能力。

关键点：

  1. 动态决策：根据输入内容实时调用工具。
  2. 灵活适配：适合多变任务，支持复杂逻辑。
  3. 扩展性强：代理可嵌套、多任务处理，让应用智能化程度更高。

通过合理运用 LangChain 的代理功能，可以将大语言模型与实际应用无缝结合，构建高效且智能的系统。

avatar
文章
阅读
粉丝