Hvad er en agent i LangChain?

LangChain framework bruges til at udvikle apps, der bruger sprogmodeller. LLM'er giver generelle svar, de målretter ikke noget specifikt felt, mens LangChain har den mest kraftfulde egenskab, den giver til at skabe kæder, hvor brugere kan kombinere flere komponenter sammen og lave en enkelt sammenhængende applikation. LangChain har mange moduler, dataforbindelser, kæder, agenter, hukommelse og tilbagekald.

I denne artikel vil vi diskutere agenter i LangChain fra alle mulige aspekter

Hvad er en agent i LangChain?

Nogle applikationer kræver ikke kun forudbestemte kæder, men de kræver en ukendt kæde, der afhænger af brugerens input. I sådanne tilfælde er der en ' agent ”, der tilgår værktøjet og beslutter, hvilket værktøj der kræves i henhold til brugerens input, og hvad han eller hun beder om. Et værktøjssæt er dybest set et sæt værktøjer, der er nødvendige for at udføre et specifikt mål, og der er 3-5 værktøjer i et værktøjssæt.

Typer af LangChain-agenter

Der er to hovedagenter:

Aktionsagenter
Plan-og-udfør agenter

Handlingsagenter: Disse agenter beslutter de handlinger, der skal tages trin for trin, evaluerer hvert trin og udfører det derefter og går videre til det næste, hvis vi diskuterer agentens pseudo-kode, som involverer et par trin

Input modtages fra brugeren.
Agenten bestemmer værktøjet og hvilken type værktøj der kræves.
Det værktøj kaldes med inputværktøj og observation registreres.
Historieværktøjet, observationsværktøjet og inputværktøjet sendes tilbage til agenten.
Gentag processen, indtil agenten beslutter sig for at afslutte dette værktøj.

Plan-og-udfør agenter: Disse agenter beslutter først en handling, der skal udføres, og udfører derefter alle disse handlinger.

Brugerinput modtages.
Agenten viser alle de trin, der skal udføres.
Eksekutøren gennemgår listen over trin og udfører dem.

Opsætning af agent

Før du opsætter agenten, skal du installere den seneste version af Python i henhold til dit operativsystem.

Trin 1: Installation af pakker
For det første skal vi etablere et miljø til dette, vi skal installere LangChain, google-search-resultater og åbne gennem ' pip kommando:

! pip installere langkæde
! pip installere google-søgeresultater
! pip installere openai

Import af nødvendige biblioteker:

fra langchain.schema importer SystemMessage
fra langchain.agents importer OpenAIFunctionsAgent, AgentExecutor
fra langchain.agents importværktøj
fra langchain.chat_models importerer ChatOpenAI
import vedr
fra getpass import getpass

Trin 2: Få din hemmelige API
Efter at have oprettet et miljø, skal du nu hente hemmelige API-nøgler fra OpenAI-platformen:

openai_api_key = getpass ( )
llm = ChatOpenAI ( openai_api_key =openai_api_key, temperatur = 0 )

Trin 3: Initialiseringsværktøj
Lad os derefter definere et værktøj, skrive simpel Python-kode for at få længden af en streng.

@ værktøj
def get_word_string ( ord: str ) - > int:
'' 'giv mig længden af en snor.' ''
Vend tilbage kun ( ord )

værktøj = [ get_word_string ]

Trin 4: Opret en promptskabelon
Efter at have defineret værktøjet, skal du oprette en promptskabelon til dette brug 'OpenAIFunctionsAgent.create_prompt()' hjælpefunktion, som opretter skabelonen automatisk.

system_message = SystemMessage ( indhold = 'Du er en meget stærk assistent, men dårlig til at beregne længder af snore.' )
prompt = OpenAIFunctionsAgent.create_prompt ( system_message =system_besked )

Trin 5: Oprettelse af agent
Nu kan vi afslutte alle brikkerne og oprette en agent ved at bruge en funktion kaldet 'OpenAIFunctionsAgent()' .

agent = OpenAIFunctionsAgent ( llm =llm, værktøjer =værktøjer, hurtig = prompt )

Trin 6: Opsætning af Runtime
Hvis du har oprettet en agent med succes, så opret en runtime for agenten, for denne bruges 'AgentExecutor' som runtime for agenten.

agent_executor = AgentExecutor ( agent =agent, værktøjer =værktøjer, ordrig = Sandt )

Trin 7: Agenttest
Efter at have oprettet Runtime, er det nu tid til at teste agenten.

agent_executor.run ( 'Hvor mange ord har denne streng?' )

Hvis du har indsat en korrekt API-nøgle i trin 2, får du et svar.

Konklusion

Denne artikel er blevet illustreret fra mange aspekter, for det første demonstrerer den, hvad LangChain er, og hvordan den virker, derefter flyttes den til agenter i LangChain, og diskuterer formålet med agenterne i LangChain og indeholder information om de to hovedtyper af agenter 'Aktionsagenter' og 'Planlæg og udfør agenter' brugt i LangChain og i slutningen af kodeudførelsen har været at etablere en agent i LangChain

Hvad er en agent i LangChain?