5. Agents
大模型在输出答案时，如果没有足够的数据，就会胡言乱语。代理就是对大模型的数据进行补充。可以根据用户的输入自主判断、自行调用工具、自行决定下一步行动。
1）ReAct框架
**ZERO_SHOT_REACT_DESCRIPTION：**最常用的代理类型，自动形成了一个完善的思考与行动链条。
通过设置AgentType为ZERO_SHOT_REACT_DESCRIPTION，使用该框架进行推理。
from langchain_community.agent_toolkits.load_tools import load_tools
from langchain.agents import initialize_agent
from langchain.agents import AgentType
#初始化大模型（llm）
# 设置工具
tools = load_tools(["**工具名**"], llm=llm)
# 初始化Agent
agent = initialize_agent(
tools,
llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=True)
# 运行Agent
agent.run("**问题**")
2）Structured Tool Chat（结构化工具对话）
**STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION：**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。
相比ZERO_SHOT_REACT_DESCRIPTION，这个方法可以执行更多、更复杂的操作。
以PlayWright为例，PlayWrightBrowserToolkit为 PlayWright 浏览器提供了一系列交互的工具，可以在同步或异步模式下操作。构化工具代理可以组合调用工具包中的多个工具，在回答问题的过程中判断需要用到哪些工具，根据调用工具得到的结果回答问题或者调用其他工具。
- 创建tools，明确需要用到的代理工具：SerpAPI，同时明确异步浏览的策略
from langchain_community.agent_toolkits.playwright.toolkit import PlayWrightBrowserToolkit
from langchain_community.tools.playwright.utils import create_async_playwright_browser
async_browser = create_async_playwright_browser()
toolkit = PlayWrightBrowserToolkit.from_browser(async_browser=async_browser)
tools = toolkit.get_tools()
- 创建代理工具，
AgentType为.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION
from langchain.agents import initialize_agent, AgentType
agent_chain = initialize_agent(
tools,
llm,
agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION, #代理类型（结构化工具对话）
verbose=True,
)
#异步定义函数，调用代理链执行任务，并打印响应。
async def main():
response = await agent_chain.arun("##需要问的问题##")
print(response)
arun是异步版本的run方法，用于执行代理链。
3）Self-Ask with Search（自问自答结合搜索）
利用 “Follow-up Question（追问）”加“Intermediate Answer（中间答案）”的技巧，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。
适合解决多跳问题，从信息源中获取中间信息，根据中建信息获取下一步信息，循环该步骤得到最终答案。
以SerpAPI为例，在回答问题的过程中，会先回答“使用玫瑰作为国花的国家”，再回答“这个国家的首都”
- 创建tools，明确需要用到的代理工具：SerpAPI
from langchain_community.utilities import SerpAPIWrapper
search = SerpAPIWrapper()
tools = [
Tool(
name="Intermediate Answer",
func=search.run,
description="useful for when you need to ask with search",
)
]
- 创建代理工具，
AgentType为SELF_ASK_WITH_SEARCH
from langchain.agents import initialize_agent, Tool
from langchain.agents import AgentType
self_ask_with_search = initialize_agent(
tools,
llm,
agent=AgentType.SELF_ASK_WITH_SEARCH,
verbose=True
)
self_ask_with_search.run("使用玫瑰作为国花的国家的首都是哪里?")
4）Plan and execute（计划与执行）
先计划，再执行，一个Planner，有一个Executor，可以使用不同的模型。
以SerpAPI为例，分别创建Planner和Executor，再进行组合。
- 先创建tools，明确需要用到的代理工具：SerpAPI以及LLMMath。
from langchain.agents import Tool
from langchain.chains import LLMMathChain
from langchain_community.utilities import SerpAPIWrapper
search = SerpAPIWrapper()
tools = [
Tool(
name="Search",
func=search.run,
description="useful for when you need to answer questions about current events",
),
Tool(
name="Calculator",
func=llm_math_chain.run,
description="useful for when you need to answer questions about math",
),
]
- 创建planner，需要一个大模型model1，这个大模型制定实现问题所需要的步骤，以及如何使用代理工具。
from langchain_experimental.plan_and_execute import load_chat_planner,
planner=load_chat_planner(model1)
- 创建Executor，需要一个大模型model2，可以跟model1相同。因为Executor对问题进行检索，所以需要用到tools里面的代理工具，检索相关信息。
from langchain_experimental.plan_and_execute import load_agent_executor
executor = load_agent_executor(model2, tools, verbose=True)
- 使用PlanAndExecute将二者组合，获得一个代理
agent = PlanAndExecute(planner=planner, executor=executor, verbose=True)
agent.run("在纽约，100美元能买几束玫瑰?")
6. Toolkits
6.1. 如何加载工具
1）方法一：
from langchain.agents import load_tools
tool_names = [...]
tools = load_tools(tool_names)
2)方法二：
某些工具（例如链、代理）可能需要 LLM 来初始化它们。
from langchain.agents import load_tools
tool_names = [...]
llm = ...
tools = load_tools(tool_names, llm=llm)
6.2. langchain支持的工具及工具箱
1）支持的工具
2）支持的工具箱
6.3. 案例：arXiv助手
- 初始化模型和工具
from langchain.agents import load_tools
llm = ChatOpenAI(temperature=0.0)
tools = load_tools(
["arxiv"],
)
- 初始化链
from langchain.agents import initialize_agent, AgentType
agent_chain = initialize_agent(
tools,
llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=True,
)
- 运行链
agent_chain.run("介绍一下2005.14165这篇论文的创新点?")
总结
基础部分的内容难度并不大，但是却非常重用。通过对基础部分的总结，将重点部分凝练出来，有助于个人理解langchain如何实现各种功能，同时在使用langchain部署开发项目的时候，可以直接copy模板替换内容，降低写代码难度。目前对这部分的理解尚处在学习、模仿阶段，未来在实际使用中才能真正融会贯通。
