|
本文將從Agents的本質(zhì)、Agents的原理、Agents的應(yīng)用三個(gè)方面，帶您一文搞懂 LangChain（四）：Agents。 Agents 一、Agents的本質(zhì) Agents是什么？ Agents 的核心概念是利用語言模型來選擇一系列要執(zhí)行的動(dòng)作。與傳統(tǒng)的硬編碼動(dòng)作鏈不同，Agents 使用語言模型作為推理引擎來確定要執(zhí)行哪些動(dòng)作以及它們的執(zhí)行順序。 - 基于語言模型的決策：LangChain Agents以語言模型為核心，使其能夠理解和執(zhí)行自然語言或類似自然語言的指令。這種能力讓Agents可以靈活地適應(yīng)不同的任務(wù)和環(huán)境，無需硬編碼特定的邏輯。
- 可組合性與擴(kuò)展性：LangChain框架注重Agents的可組合性和系統(tǒng)的擴(kuò)展性。Agents可以通過組合各種工具和模塊（如數(shù)據(jù)檢索、信息提取、API調(diào)用等）來擴(kuò)展其功能。這種設(shè)計(jì)方式不僅簡化了維護(hù)和更新過程，還促進(jìn)了代碼和知識(shí)的重用。
- 學(xué)習(xí)與適應(yīng)性：結(jié)合機(jī)器學(xué)習(xí)技術(shù)（如強(qiáng)化學(xué)習(xí)），Agents可以從經(jīng)驗(yàn)中學(xué)習(xí)并優(yōu)化其行為策略，以應(yīng)對復(fù)雜和動(dòng)態(tài)變化的環(huán)境，從而提高性能和效率。
Agents Introduction Agents由幾個(gè)部分組成。 - 模式（Schema）：是一組規(guī)則和結(jié)構(gòu)，定義了代理如何與外部工具進(jìn)行交互、執(zhí)行動(dòng)作以及管理任務(wù)狀態(tài)，從而實(shí)現(xiàn)智能的多步驟推理和決策。主要包括AgentAction、Intermediate Steps、AgentFinish。
- 代理（Agent）: 負(fù)責(zé)決策下一個(gè)動(dòng)作的實(shí)體。代理使用語言模型、提示和輸出解析器來支持其決策過程。主要包括Agent Inputs、Agent Outputs。
- 代理執(zhí)行器（AgentExecutor）: 負(fù)責(zé)運(yùn)行代理并管理其與外部工具的交互。執(zhí)行器處理復(fù)雜性，如工具錯(cuò)誤處理、日志記錄等。
- 工具（Tools）: 代理可以調(diào)用的函數(shù)或服務(wù)。每個(gè)工具都有一個(gè)輸入模式和一個(gè)關(guān)聯(lián)的函數(shù)，用于描述如何調(diào)用該工具以及實(shí)際執(zhí)行的操作。
- 工具包（Toolkits）: 相關(guān)工具的集合，用于完成特定任務(wù)。例如，GitHub 工具包可能包含用于搜索問題、讀取文件、發(fā)表評論等的工具。
Agents 組成部分 Agents能干什么？ Agent System由多個(gè)協(xié)作的智能代理構(gòu)成，這些代理能自主行動(dòng)、響應(yīng)環(huán)境、與其他代理或用戶交互，并根據(jù)目標(biāo)、規(guī)則和知識(shí)執(zhí)行任務(wù)或決策。 在Lilian Weng的博客中，她闡述了以LLM為核心的AI Agents系統(tǒng)，其中LLM負(fù)責(zé)推理、決策和生成語言，還需結(jié)合規(guī)劃、記憶和工具使用等關(guān)鍵組件來完善功能。 - 規(guī)劃（Planning）：規(guī)劃能力使得代理能夠?qū)?fù)雜的任務(wù)分解成更小、更可管理的子目標(biāo)。這有助于代理在面對復(fù)雜任務(wù)時(shí)能夠有條不紊地執(zhí)行。同時(shí)，代理還具備反思和細(xì)化的能力，可以從過去的經(jīng)驗(yàn)中學(xué)習(xí)并改進(jìn)未來的行為。
- 記憶（Memory）：記憶能力是代理系統(tǒng)中的重要組成部分。短期記憶允許代理在處理任務(wù)時(shí)保持上下文信息的一致性，而長期記憶則使得代理能夠存儲(chǔ)和回憶以前的知識(shí)和經(jīng)驗(yàn)。這種記憶能力對于實(shí)現(xiàn)持續(xù)學(xué)習(xí)和適應(yīng)新環(huán)境至關(guān)重要。
- 工具使用（Tool Use）：工具使用能力允許代理調(diào)用外部API來獲取額外信息或執(zhí)行特定操作。這些信息可能是模型權(quán)重中缺少的，但對于完成任務(wù)至關(guān)重要。通過調(diào)用外部工具，代理可以擴(kuò)展其功能并適應(yīng)更廣泛的應(yīng)用場景。
LangChain Agent Ecosystem 二、Agents的原理 Agents的工作流程：通過結(jié)合大型語言模型（LLM）的推理能力和外部工具的執(zhí)行能力，接收任務(wù)后進(jìn)行思考、行動(dòng)、接收反饋并重復(fù)這些步驟，直至任務(wù)完成或達(dá)到終止條件。Agents流程包含以下四個(gè)核心步驟：- 接收任務(wù)：LLM Agent首先接收一個(gè)任務(wù)描述或問題。
- 思考：然后，它利用LLM進(jìn)行推理和決策。例如，它可能會(huì)生成一個(gè)潛在的解決方案或行動(dòng)計(jì)劃。
- 行動(dòng)：接下來，LLM Agent會(huì)執(zhí)行一些操作以完成任務(wù)。這些操作可能包括調(diào)用API獲取數(shù)據(jù)、查詢數(shù)據(jù)庫、執(zhí)行計(jì)算等。
- 接收反饋：在執(zhí)行操作后，LLM Agent會(huì)接收來自環(huán)境的反饋。這些反饋可能包括API的響應(yīng)、數(shù)據(jù)庫查詢的結(jié)果等。
如果任務(wù)還沒有完成，LLM Agent會(huì)重復(fù)上述步驟，直到任務(wù)完成或達(dá)到某個(gè)終止條件。 Agents的工作流程 Agent Types：在LangChain中，Agent Types定義了不同類型的代理（Agents），這些代理使用不同的策略和方法來與用戶和工具進(jìn)行交互，以完成各種任務(wù)。 - Zero-shot ReAct：
這種Agent使用ReAct（Retrieve-and-Act）框架，該框架通過理解工具的描述來選擇最合適的工具執(zhí)行任務(wù)。Zero-shot意味著Agent不需要針對特定任務(wù)進(jìn)行訓(xùn)練，而是可以基于工具的描述直接進(jìn)行推斷。 - Structured tool chat：
這種Agent支持使用具有復(fù)雜輸入?yún)?shù)的工具。通過定義args_schema，Agent可以理解每個(gè)工具所需輸入?yún)?shù)的結(jié)構(gòu)和類型，從而與用戶進(jìn)行更結(jié)構(gòu)化的對話以收集必要的信息。這有助于確保與工具的交互是準(zhǔn)確和一致的。 - Conversational：
與標(biāo)準(zhǔn)ReAct Agent相比，Conversational Agent更注重與用戶進(jìn)行自然對話。它的提示和響應(yīng)設(shè)計(jì)得更加對話性，適合在聊天場景中使用。 - Self-ask with search：
這種Agent類型集成了搜索功能，允許它自主地在搜索引擎中查找信息以回答問題。這增加了Agent的知識(shí)來源和回答問題的能力。 - ReAct document store：
使用這種Agent，用戶可以與一個(gè)文檔存儲(chǔ)進(jìn)行交互。該Agent包含兩個(gè)關(guān)鍵工具：“Search”用于在文檔存儲(chǔ)中搜索相關(guān)文檔，“Lookup”用于在最近找到的文檔中查找特定術(shù)語或信息。 - XML Agent：
XML Agent專門用于處理XML格式的數(shù)據(jù)。它使用XML格式來解析工具調(diào)用和最終答案，這使得它特別適合與返回XML響應(yīng)的工具或服務(wù)進(jìn)行交互。
Agent Chain 大家有想系統(tǒng)學(xué)習(xí)機(jī)器學(xué)習(xí)深度學(xué)習(xí)數(shù)學(xué)的，可以掃碼進(jìn)群領(lǐng)資料，里面包含機(jī)器學(xué)習(xí)深度學(xué)習(xí)從入門到進(jìn)階的數(shù)學(xué)資料（包含PDF）。 三、Agents的應(yīng)用 Agents應(yīng)用場景：在需要根據(jù)不同輸入動(dòng)態(tài)決定工具使用次數(shù)和順序的復(fù)雜任務(wù)中，實(shí)現(xiàn)靈活智能的決策和處理。工具鏈：有些任務(wù)的處理流程是固定的，我們可以預(yù)先設(shè)定一個(gè)工具鏈來按順序處理。工具鏈 但有些任務(wù)的處理流程是動(dòng)態(tài)的，需要根據(jù)輸入來決定使用哪些工具以及如何使用。Agents是一種可以實(shí)現(xiàn)這種動(dòng)態(tài)決策的機(jī)制，它可以根據(jù)輸入和當(dāng)前狀態(tài)來選擇下一步的操作，從而實(shí)現(xiàn)更加靈活和智能的任務(wù)處理。Agents Agents應(yīng)用創(chuàng)建：使用 LangChain 庫創(chuàng)建一個(gè)簡單的代理（agent），該代理能夠處理數(shù)學(xué)運(yùn)算任務(wù)。一、創(chuàng)建工具函數(shù)：通過裝飾器 @tool 創(chuàng)建了三個(gè)工具函數(shù)：multiply（乘法）、add（加法）和 exponentiate（指數(shù)運(yùn)算）。這些函數(shù)接收整數(shù)作為參數(shù)，并返回運(yùn)算結(jié)果。二、創(chuàng)建提示模板：從 LangChain Hub 中獲取一個(gè)提示模板。這個(gè)模板用于指導(dǎo)大型語言模型（LLM）如何生成響應(yīng)。三、創(chuàng)建代理和執(zhí)行器：選擇一個(gè)大型語言模型來驅(qū)動(dòng)代理。使用所選的模型、工具函數(shù)和提示模板來構(gòu)建 OpenAI Tools 代理。同時(shí)，創(chuàng)建一個(gè)代理執(zhí)行器，將代理和工具函數(shù)傳遞給它。四、調(diào)用代理：代理會(huì)根據(jù)輸入和提示模板動(dòng)態(tài)地調(diào)用適當(dāng)?shù)墓ぞ吆瘮?shù)來完成運(yùn)算，并返回運(yùn)算結(jié)果。免費(fèi)分享一些我整理的人工智能學(xué)習(xí)資料給大家，整理了很久，非常全面。包括人工智能基礎(chǔ)入門視頻+AI常用框架實(shí)戰(zhàn)視頻、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)等視頻、課件源碼、畢設(shè)項(xiàng)目、AI熱門論文等。
|
