Što je agent u LangChainu?

Okvir LangChain koristi se za razvoj aplikacija koje koriste jezične modele. LLM-ovi daju općenite odgovore, ne ciljaju ni na jedno specifično područje dok LangChain ima najmoćniji atribut koji pruža za stvaranje lanaca u kojima korisnici mogu kombinirati više komponenti i napraviti jednu koherentnu aplikaciju. LangChain ima mnogo modula, podatkovnih veza, lanaca, agenata, memorije i povratnih poziva.

U ovom ćemo članku raspravljati o agentima u LangChainu sa svih mogućih aspekata

Što je agent u LangChainu?

Neke aplikacije zahtijevaju ne samo unaprijed određene lance, već zahtijevaju i nepoznati lanac koji ovisi o unosu korisnika. Za takav slučaj postoji ' agent ” koji pristupaju alatu i odlučuju koji je alat potreban prema unosu korisnika i onome što on ili ona traži. Skup alata je u osnovi skup alata koji su potrebni za postizanje određenog cilja i postoji 3-5 alata u kompletu alata.

Vrste LangChain agenata

Dva su glavna agenta:

Akcijski agenti
Agenti za planiranje i izvršavanje

Agenti akcije: Ovi agenti odlučuju koje radnje poduzeti korak po korak, procjenjuju svaki korak i zatim ga izvršavaju i prelaze na sljedeći ako raspravljamo o pseudo-kodu agenta koji uključuje nekoliko koraka

Unos se prima od korisnika.
Agent odlučuje o alatu i vrsti alata koji je potreban.
Taj se alat poziva s alatom za unos i promatranje se bilježi.
Alat za povijest, alat za promatranje i alat za unos šalju se natrag agentu.
Ponavljajte postupak dok agent ne odluči napustiti ovaj alat.

Agenti za planiranje i izvođenje: Ti agenti najprije odlučuju koju radnju poduzeti, a zatim izvršavaju sve te radnje.

Prima se korisnički unos.
Agent navodi sve korake koje treba izvršiti.
Izvršitelj prolazi kroz popis koraka, izvršavajući ih.

Postavljanje agenta

Prije postavljanja agenta morate instalirati najnoviju verziju Piton prema vašem operativnom sustavu.

Korak 1: Instaliranje paketa
Prvo, moramo uspostaviti okruženje za to moramo instalirati LangChain, google-search-results i openai kroz ' pip ” naredba:

! pip instalirati langchain
! pip instalirati google-rezultati-pretrage
! pip instalirati openai

Uvoz potrebnih biblioteka:

iz langchain.schema import SystemMessage
iz langchain.agents uvozi OpenAIFunctionsAgent, AgentExecutor
iz alata za uvoz langchain.agenata
iz langchain.chat_models uvesti ChatOpenAI
uvoz re
iz getpass import getpass

Korak 2: Nabavite svoj tajni API
Nakon postavljanja okruženja, sada morate dobiti tajne API ključeve od OpenAI platforme:

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

Korak 3: Alat za inicijalizaciju
Zatim definirajmo alat, pisanje jednostavnog Python koda za dobivanje duljine niza.

@ alat
def get_word_string ( riječ: str ) - > int:
'' 'daj mi duljinu niza.' ''
povratak samo ( riječ )

alati = [ dobiti_niz_riječi ]

Korak 4: Napravite predložak upita
Nakon definiranja alata, postavite predložak upita za ovu upotrebu “OpenAIFunctionsAgent.create_prompt()” pomoćna funkcija koja će automatski stvoriti predložak.

poruka_sustava = Poruka sustava ( sadržaj = 'Ti si vrlo moćan pomoćnik, ali loš u izračunavanju duljina niza.' )
prompt = OpenAIFunctionsAgent.create_prompt ( sustav_poruka =poruka_sustava )

Korak 5: Stvaranje agenta
Sada možemo zaključiti sve dijelove i stvoriti agenta pomoću funkcije pod nazivom “OpenAIFunctionsAgent()” .

agent = OpenAIFunctionsAgent ( llm =llm, alata =alati, potaknuti = brz )

Korak 6: Postavljanje vremena izvođenja
Ako ste uspješno kreirali agenta, stvorite vrijeme izvođenja za agenta, za ovo se ”AgentExecutor” koristi kao vrijeme izvođenja za agenta.

agent_executor = AgentExecutor ( agent = agent, alata =alati, opširno =Istina )

Korak 7: Testiranje agenta
Nakon stvaranja Runtimea, sada je vrijeme za testiranje agenta.

agent_izvršitelj.pokreni ( 'Koliko riječi ima ovaj niz?' )

Ako ste u 2. koraku umetnuli ispravan API ključ, dobit ćete odgovor.

Zaključak

Ovaj je članak ilustriran s mnogo aspekata, prvo pokazuje što je LangChain i kako funkcionira, zatim prelazi na agente u LangChainu i raspravlja o svrsi agenata u LangChainu te sadrži informacije o dvije glavne vrste agenata “Akcijski agenti” i “Agenti za planiranje i izvođenje” koristi se u LangChainu i na kraju je izvršenje koda bilo uspostavljanje agenta u LangChainu

Što je agent u LangChainu?