Vad är en agent i LangChain?

LangChain ramverk används för att utveckla appar som använder språkmodeller. LLM:er ger generella svar, de riktar sig inte mot något specifikt fält medan LangChain har det mest kraftfulla attributet det ger för att skapa kedjor där användare kan kombinera flera komponenter tillsammans och göra en enda sammanhängande applikation. LangChain har många moduler, dataanslutningar, kedjor, agenter, minne och återuppringning.

I den här artikeln kommer vi att diskutera agenter i LangChain från alla möjliga aspekter

Vad är en agent i LangChain?

Vissa applikationer kräver inte bara förutbestämda kedjor utan de kräver en okänd kedja som beror på användarens input. För ett sådant fall finns det en ' ombud ” som kommer åt verktyget och bestämmer vilket verktyg som krävs enligt användarens input och vad han eller hon efterfrågar. En verktygslåda är i grunden en uppsättning verktyg som behövs för att göra ett specifikt mål och det finns 3-5 verktyg i en verktygslåda.

Typer av LangChain-agenter

Det finns två huvudagenter:

Actionagenter
Planera och verkställ agenter

Actionagenter: Dessa agenter beslutar om åtgärder som ska vidtas steg för steg utvärderar varje steg och utför det sedan och går vidare till nästa om vi diskuterar agentens pseudo-kod som involverar några steg

Indata tas emot från användaren.
Agenten bestämmer verktyget och vilken typ av verktyg som krävs.
Det verktyget anropas med inmatningsverktyg och observation registreras.
Historikverktyget, observationsverktyget och inmatningsverktyget skickas tillbaka till agenten.
Upprepa processen tills agenten bestämmer sig för att avsluta det här verktyget.

Planera och verkställ agenter: Dessa agenter beslutar först om en åtgärd som ska vidtas och utför sedan alla dessa åtgärder.

Användarinmatning tas emot.
Agenten listar alla steg som ska utföras.
Exekutorn går igenom listan med steg och utför dem.

Konfigurera agent

Innan du ställer in agenten måste du installera den senaste versionen av Pytonorm enligt ditt operativsystem.

Steg 1: Installera paket
För det första måste vi skapa en miljö för detta, vi måste installera LangChain, google-search-results och öppna genom ' pip ” kommando:

! pip Installera långkedja
! pip Installera google-sök-resultat
! pip Installera openai

Importera obligatoriska bibliotek:

från langchain.schema import SystemMessage
från langchain.agents importera OpenAIFunctionsAgent, AgentExecutor
från importverktyget langchain.agents
från langchain.chat_models importera ChatOpenAI
import ang
från getpass import getpass

Steg 2: Skaffa ditt hemliga API
Efter att ha ställt in en miljö måste du nu få hemliga API-nycklar från OpenAI-plattformen:

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

Steg 3: Initieringsverktyg
Låt oss sedan definiera ett verktyg och skriva enkel Python-kod för att få längden på en sträng.

@ verktyg
def get_word_string ( ord: str ) - > int:
'' 'ge mig längden på ett snöre.' ''
lämna tillbaka endast ( ord )

verktyg = [ get_word_string ]

Steg 4: Skapa en promptmall
Efter att ha definierat verktyget, ställ in en promptmall för detta 'OpenAIFunctionsAgent.create_prompt()' hjälpfunktion som skapar mallen automatiskt.

system_message = SystemMessage ( innehåll = 'Du är en väldigt kraftfull assistent, men dålig på att beräkna längder på snören.' )
prompt = OpenAIFunctionsAgent.create_prompt ( Systemmeddelande =system_meddelande )

Steg 5: Skapa agent
Nu kan vi avsluta alla bitar och skapa en agent genom att använda en funktion som kallas 'OpenAIFunctionsAgent()' .

agent = OpenAIFunctionsAgent ( llm =llm, verktyg =verktyg, prompt =uppmaning )

Steg 6: Ställa in Runtime
Om du har skapat en agent framgångsrikt, skapa en runtime för agenten, för detta används 'AgentExecutor' som en runtime för agenten.

agent_executor = AgentExecutor ( ombud =agent, verktyg =verktyg, mångordig =Sant )

Steg 7: Agenttestning
Efter att ha skapat Runtime är det nu dags att testa agenten.

agent_executor.run ( 'Hur många ord har den här strängen?' )

Om du har infogat till rätt API-nyckel i steg 2 får du ett svar.

Slutsats

Den här artikeln har illustrerats från många aspekter, först visar den vad som är LangChain och hur det fungerar, sedan flyttas den till agenter i LangChain, och diskuterar syftet med agenterna i LangChain och innehåller information om de två huvudtyperna av agenter 'Aktionsagenter' och 'Planera och verkställ agenter' används i LangChain och i slutet av kodexekveringen har varit att etablera en agent i LangChain

Vad är en agent i LangChain?