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