Kako implementirati ReAct logiku pomoću agenta u LangChainu?

Brzi pregled

Ovaj post će pokazati:

• Kako implementirati ReAct logiku pomoću agenta u LangChainu
• Instalacija Frameworks
• Učitavanje jezičnog modela
• Metoda 1: Korištenje LandChain Expression Language
• Agent za izgradnju
• Metoda 2: Korištenje ZeroShotReactAgent
• Metoda 3: Korištenje modela razgovora
• Izgradnja agenta
• Metoda 4: Korištenje ChatZeroShotReactAgent
• Zaključak

Kako implementirati ReAct logiku pomoću agenta u LangChainu?

' Reagirati ” kombinacija je faza razloga i radnje za poboljšanje izvedbe jezičnog modela kao “ Ponovno “ odnosi se na razum i “ djelovati ” na akciju. ReAct logika često se smatra najoptimiziranijom za izgradnju LLM-ova ili chatbota za razumijevanje i generiranje teksta. Agent je donositelj odluka koji odlučuje koje radnje treba izvršiti i kojim redoslijedom će se izvršiti.

Da biste naučili proces implementacije ReAct logike pomoću agenta u LangChainu, jednostavno prođite kroz sljedeći vodič:

Korak 1: Instalacija Frameworks

Prije svega, instalirajte LangChain da biste započeli s procesom implementacije ReAct logike:

Instalirajte modul google-search-results da dobijete ovisnosti za izgradnju agenta koji može dobiti rezultate pretraživanja s googlea:

Nakon toga instalirajte OpenAI module koji se mogu koristiti za učitavanje velikih jezičnih modela ili LLM-ova za implementaciju ReAct logike:

Nakon dobivanja svih potrebnih modula, jednostavno postavite OpenAI okruženje za izgradnju LLM i SerpAPI okruženje za korištenje agenta u modelu:

Korak 2: Učitavanje jezičnog modela

Sljedeći korak je učitavanje jezičnih modela uvozom potrebnih biblioteka pomoću okvira LangChain:

Upotrijebite metodu OpenAI() za izgradnju jezičnog modela (llm), a zatim konfigurirajte alate za agente koristeći SerpAPI:

Metoda 1: Korištenje LandChain Expression Language

LCEL je proces integracije ili sastavljanja lanaca zajedno tijekom izgradnje jezičnih modela u LangChainu. Započnite proces instaliranjem LangChainHuba da dobijete njegove ovisnosti za izgradnju i korištenje ReAct logike s agentima u LangChainu:

Uvoz biblioteka iz LangChaina kao što je ReActSingleInputOutputParser za izgradnju modela koji može koristiti ReAct model:

Učitajte jezični model za dizajn ReAct logike pomoću metode pull() i pohranite ga u prompt varijablu. Definirajte neke alate koji se mogu koristiti za implementaciju logike na učitanom skupu podataka za implementaciju njegovog rada s agentom:

Agent za izgradnju

Sada konfigurirajte agenta i njegove alate integracijom s jezičnim modelom učitanim u 2. koraku ovog vodiča:

Definirajte varijablu agenta kako biste pružili argumente i alate za konfiguraciju agenta koji objašnjavaju njegov rad. Prethodno konfigurirani dijelovi poput metode llm_with_stop i ReActSingleInputOutputParser() integriraju se s agentom:

Nabavite biblioteku AgentExecutor i konfigurirajte njezinu metodu pomoću argumenata kao što su agent, tools i verbose kako biste dobili čitljiviji izlaz:

Pozovite metodu agent_executor() sa string upitom kao ulazom koji će pokrenuti agenta da izdvoji izlaz:

Izlaz

Sljedeća snimka zaslona prikazuje da je agent izdvojio informacije pomoću logike ReAct i generirao tekst na prirodnom jeziku:

Metoda 2: Korištenje ZeroShotReactAgent

Logika ReAct također se može implementirati korištenjem drugog agenta kao što je ZeroShotReactAgent tijekom konfiguriranja varijable agent_executor. Nakon toga jednostavno pozovite varijablu agent_executor s pitanjem kao ulazom za pozivanje agenta:

Izlaz

Agent je izdvojio informacije na temelju unosa zatraženog prilikom pozivanja agent_executor:

Metoda 3: Korištenje modela razgovora

Drugi proces koji se može koristiti za implementaciju ReAct logike korištenjem modela chata nakon uvoza ChatOpenAI biblioteke:

Izgradite model chata pomoću metode ChatOpenAI() s vrijednošću temperature jednakom 0 koja može kontrolirati slučajnost u rezultatima modela:

Učitajte model na kojem korisnik može implementirati ReAct logiku kako bi ga pohranio u prompt varijablu i konfigurirajte alate koji će se koristiti u procesu:

Izgradnja agenta

Koristite model chata za pohranjivanje zapažanja ili nedavnih poruka kada model prestane generirati tekst:

Nabavite biblioteku ReActJsonSingleInputOutputParser za implementaciju ReAct logike i proizvodnju rezultata u JSON formatu:

Izgradite i konfigurirajte agenta pomoću varijable chat_model i metode za dobivanje rezultata pozivanjem agenta:

Konfigurirajte agent_executor i pokrenite ga da biste dobili rezultate na temelju upita navedenog u ulaznoj varijabli:

Izlaz

Agent je izdvojio izlaz kao što je prikazano na sljedećoj snimci zaslona:

Metoda 4: Korištenje ChatZeroShotReactAgent

Promjena vrijednosti agenta također se može koristiti za implementaciju ReAct logike s okvirom LangChain:

Izlaz

Izlazna struktura sadrži detaljne informacije o radu agenta iz tokena i modela korištenog za izdvajanje informacija:

To je sve o procesu implementacije ReAct logike pomoću agenta u LangChainu.

Zaključak

Za implementaciju ReAct logike s agentom koji koristi okvir LangChain, instalirajte module kao što su google-search-results za konfiguraciju agenta. Nakon toga postavite okruženje pomoću vjerodajnica OpenAI i SerpAPI s njihovih računa kako biste počeli koristiti model. ReAct logika može se implementirati korištenjem LCEL i modela chata s više agenata koje nudi modul LangChain. Ovaj vodič razradio je implementaciju ReAct logike pomoću agenta u LangChainu.