Tässä artikkelissa keskustelemme LangChainin agenteista kaikista mahdollisista näkökohdista
Mikä on agentti LangChainissa?
Jotkut sovellukset eivät vaadi vain ennalta määrättyjä ketjuja, vaan ne vaativat tuntemattoman ketjun, joka riippuu käyttäjän syötteestä. Tällaista tapausta varten on olemassa ' agentti ', jotka käyttävät työkalua ja päättävät, mitä työkalua tarvitaan käyttäjän syötteen ja sen mukaan, mitä hän pyytää. Työkalupakkaus on pohjimmiltaan joukko työkaluja, joita tarvitaan tietyn tavoitteen saavuttamiseen, ja työkalupakkissa on 3-5 työkalua.
LangChain-agenttien tyypit
Pääasiallisia agentteja on kaksi:
- Toiminta-agentit
- Suunnittele ja toteuta -agentit
Toiminta-agentit: Nämä agentit päättävät toimenpiteistä vaihe vaiheelta arvioivat jokaisen vaiheen ja suorittavat sen ja siirtyvät seuraavaan, jos keskustelemme agentin pseudokoodista, joka sisältää muutaman vaiheen
- Syöte vastaanotetaan käyttäjältä.
- Välittäjä päättää työkalun ja minkä tyyppistä työkalua tarvitaan.
- Sitä työkalua kutsutaan syöttötyökalulla ja havainto tallennetaan.
- Historiatyökalu, havaintotyökalu ja syöttötyökalu välitetään takaisin agentille.
- Toista prosessia, kunnes agentti päättää lopettaa tämän työkalun.
Suunnittele ja toteuta -agentit: Nämä agentit päättävät ensin toimenpiteestä ja suorittavat sitten kaikki nuo toimet.
- Käyttäjän syöttö vastaanotetaan.
- Agentti listaa kaikki suoritettavat vaiheet.
- Toimeenpanija käy läpi luettelon vaiheista ja suorittaa ne.
Agentin määrittäminen
Ennen agentin määrittämistä sinun on asennettava uusin versio Python käyttöjärjestelmäsi mukaan.
Vaihe 1: Pakettien asentaminen
Ensinnäkin meidän on luotava ympäristö tätä varten, meidän on asennettava LangChain, google-search-results ja openai ' pip 'komento:
! pip Asentaa langchain
! pip Asentaa google-hakutulokset
! pip Asentaa openai
Vaadittujen kirjastojen tuonti:
langchain.schema tuonti SystemMessagestalangchain.agentsista tuo OpenAIFunctionsAgent, AgentExecutor
langchain.agents tuontityökalusta
langchain.chat_modelsista tuo ChatOpenAI
tuonti re
getpassista tuonti getpass
Vaihe 2: Hanki Secret API
Ympäristön määrittämisen jälkeen sinun on nyt hankittava salaiset API-avaimet OpenAI-alustalta:
llm = ChatOpenAI ( openai_api_key =openai_api_key, lämpötila = 0 )
Vaihe 3: Työkalun alustus
Seuraavaksi määritellään työkalu, joka kirjoittaa yksinkertaista Python-koodia merkkijonon pituuden saamiseksi.
def get_word_string ( sana: str ) - > int:
'' 'Anna minulle merkkijonon pituus.' ''
palata vain ( sana )
työkalut = [ get_word_string ]
Vaihe 4: Luo kehotemalli
Kun olet määrittänyt työkalun, aseta kehotemalli tätä käyttöä varten 'OpenAIFunctionsAgent.create_prompt()' aputoiminto, joka luo mallin automaattisesti.
prompt = OpenAIFunctionsAgent.create_prompt ( system_message =järjestelmän_viesti )
Vaihe 5: Agentin luominen
Nyt voimme päättää kaikki palaset ja luoda agentin käyttämällä funktiota nimeltä 'OpenAIFunctionsAgent()' .
Vaihe 6: Ajonajan määrittäminen
Jos olet luonut agentin onnistuneesti, luo agentille ajonaika, tälle ”AgentExecutoria” käytetään agentin ajonaikana.
Vaihe 7: Agenttitestaus
Runtime:n luomisen jälkeen on aika testata agenttia.
Jos olet lisännyt oikean API-avaimen vaiheessa 2, saat vastauksen.
Johtopäätös
Tätä artikkelia on havainnollistettu monesta näkökulmasta, ensinnäkin se osoittaa, mikä on LangChain ja miten se toimii, sitten se siirtyy agenteihin LangChainissa ja käsittelee agenttien tarkoitusta LangChainissa ja sisältää tietoja kahdesta pääasiallisesta agenttityypistä. 'Toiminta-agentit' ja 'Suunnittele ja toteuta agentit' Käytetään LangChainissa ja lopussa koodin suoritus on ollut agentin perustaminen LangChainissa