Hur implementerar man ReAct-logiken med hjälp av en agent i LangChain?

Snabb översikt

Det här inlägget kommer att visa:

• Hur man implementerar ReAct-logiken med hjälp av en agent i LangChain
• Installera ramar
• Laddar språkmodell
• Metod 1: Använda LandChain Expression Language
• Byggnadsagent
• Metod 2: Använd ZeroShotReactAgent
• Metod 3: Använda chattmodeller
• Bygger agenten
• Metod 4: Använd ChatZeroShotReactAgent
• Slutsats

Hur implementerar man ReAct-logiken med hjälp av en agent i LangChain?

den ' Reagera ” är kombinationen av Reason- och Action-faserna för att förbättra prestandan hos språkmodellen som ” Re ' hänvisar till förnuft och ' spela teater ” till handling. En ReAct-logik anses ofta vara den mest optimerade för att bygga LLM:er eller chatbots för att förstå och generera text. Agenten är beslutsfattaren som bestämmer vilka åtgärder som ska utföras och i vilken ordning som ska utföras.

För att lära dig processen att implementera ReAct-logiken med hjälp av en agent i LangChain, gå helt enkelt igenom följande guide:

Steg 1: Installera ramverk

Först av allt, installera LangChain för att komma igång med processen att implementera ReAct-logik:

Installera google-search-results-modulen för att få beroenden för att bygga agenten som kan hämta sökresultaten från google:

Därefter installerar du OpenAI-modulerna som kan användas för att ladda de stora språkmodellerna eller LLM:erna för att implementera ReAct-logik:

När du har fått alla nödvändiga moduler ställer du bara in OpenAI-miljö för att bygga LLM och SerpAPI miljö för att använda agenten i modellen:

Steg 2: Laddar språkmodell

Nästa steg är att ladda språkmodellerna genom att importera de nödvändiga biblioteken med hjälp av LangChain-ramverket:

Använd metoden OpenAI() för att bygga språkmodellen (llm) och konfigurera sedan verktygen för agenterna med SerpAPI:

Metod 1: Använda LandChain Expression Language

LCEL är processen att integrera eller komponera kedjor tillsammans samtidigt som man bygger språkmodellerna i LangChain. Starta processen genom att installera LangChainHub för att få dess beroenden för att bygga och använda ReAct-logik med agenter i LangChain:

Importera biblioteken från LangChain som ReActSingleInputOutputParser för att bygga modellen som kan använda ReAct-modellen:

Ladda språkmodellen för att designa ReAct-logiken med metoden pull() och lagra den i promptvariabeln. Definiera några verktyg som kan användas för att implementera logiken på den laddade datamängden för att implementera dess arbete med en agent:

Byggnadsagent

Konfigurera nu agenten och dess verktyg genom att integrera den med språkmodellen som laddas i steg 2 i den här guiden:

Definiera en agentvariabel för att tillhandahålla argument och verktyg för att konfigurera agenten som förklarar dess funktion. De tidigare konfigurerade delarna som llm_with_stop och ReActSingleInputOutputParser()-metoden integreras med agenten:

Skaffa AgentExecutor-biblioteket och konfigurera dess metod med hjälp av argument som agent, verktyg och verbose för att få en mer läsbar utdata:

Anropa metoden agent_executor() med strängfrågan som indata som kommer att trigga agenten att extrahera utdata:

Produktion

Följande skärmdump visar att agenten har extraherat informationen med hjälp av ReAct-logiken och genererat texten på naturligt språk:

Metod 2: Använd ZeroShotReactAgent

ReAct-logiken kan också implementeras genom att använda en annan agent som ZeroShotReactAgent samtidigt som variabeln agent_executor konfigureras. Efter det, anropa variabeln agent_executor med frågan som indata för att anropa agenten:

Produktion

Agenten har extraherat informationen baserat på indata som frågade när han anropade agent_executor:

Metod 3: Använda chattmodeller

En annan process som kan användas för att implementera ReAct-logiken genom att använda chattmodellerna efter import av ChatOpenAI-biblioteket:

Bygg chattmodellen med metoden ChatOpenAI() med värdet på temperaturen lika med 0 som kan styra slumpen i resultaten av modellen:

Ladda modellen på vilken användaren kan implementera ReAct-logiken för att lagra den i promptvariabeln och konfigurera verktygen som ska användas i processen:

Bygger agenten

Använd chattmodellen för att lagra observationerna eller de senaste meddelandena när modellen slutar generera texten:

Skaffa ReActJsonSingleInputOutputParser-biblioteket för att implementera ReAct-logiken och producera resultaten i JSON-formatet:

Bygg och konfigurera agenten med chat_model-variabeln och metoden för att producera resultat genom att anropa agenten:

Konfigurera agent_executor och kör den för att få resultaten baserat på frågan i indatavariabeln:

Produktion

Agenten har extraherat utdata som visas i följande skärmdump:

Metod 4: Använd ChatZeroShotReactAgent

Att ändra värdet på agenten kan också användas för att implementera ReAct-logiken med LangChain-ramverket:

Produktion

Utdatastrukturen innehåller detaljerad information om hur agenten fungerar från tokens och modellen som används för att extrahera informationen:

Det handlar om processen att implementera ReAct-logiken med hjälp av en agent i LangChain.

Slutsats

För att implementera ReAct-logiken med en agent som använder LangChain-ramverket, installera moduler som google-search-results för att konfigurera agenten. Efter det ställer du in miljön med OpenAI- och SerpAPI-uppgifterna från deras konton för att börja använda modellen. ReAct-logiken kan implementeras med hjälp av LCEL- och chattmodellerna med flera agenter som erbjuds av LangChain-modulen. Den här guiden har utvecklat implementeringen av ReAct-logiken med hjälp av agenten i LangChain.