简介
在之前学习 AutoGPT 的过程中，AutoGPT 的 Command 模块可以针对于 LLM 的一些局限性做补充，比如爬取网页信息，精密计算，代码执行等。Agents 设计的初衷也是同样的目的，补充大语言模型的能力。
通过用户输入的自然语言转换为对工具调用的分析、工具参数的抽取，让每个角色发挥自己最擅长的部分，规避掉大模型在细节处理上不够精准的问题，解决用户与工具之间无法精确匹配的问题。
而 Agents 主要包含以下的主要能力：
内置 Tools
内置组件
自定义工具
前两种的内置工具与组件可以覆盖大部分的常见使用场景，如果有内置工具确实无法解决的场景，则可以通过自定义工具模块实现。
设计原理
在代理（Agents）中，语言模型被用作推理引擎，以确定应该采取哪些动作以及执行顺序。如下图所示：
实践演练
调用内置 Tools
在调用内置tools之前，首先需要学习内置 Tools，内置 Tools 是作者封装好的一些工具，可以直接进行调用。主要步骤如下：
加载工具。
初始化 Agent，并将工具传入。
对代理输入问题。
# LangChain相关模块的导入
from langchain.chat_models import ChatOpenAI
from langchain.agents import load_tools, initialize_agent
from langchain.agents import AgentType
# 加载个人的OpenAI Token
key = 'open_ai_key'
# 创建OpenAI调用实例
# 在本示例中，大模型需要作为一个严谨的逻辑解析工具，所以temperature设置为0
llm = ChatOpenAI(temperature=0, openai_api_key=key)
# 需要安装依赖库 pip install wikipedia# 加载内置工具 llm-math 和 wikipedia
tools = load_tools(["llm-math", "wikipedia"], llm=llm)
# 创建Agent实例
agent = initialize_agent(
# 设置可以使用的工具
tools=tools,
# 设置逻辑解析所使用的大模型实例
llm=llm,
# 设置agent类型，CHAT表示agent使用了chat大模型，REACT表示在prompt生成时使用更合乎逻辑的方式，获取更严谨的结果
agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
# 设置agent可以自动处理解析失败的情况，由于使用大模型处理逻辑，返回值并不会100%严谨，所以可能会出现返回的额数据不符合解析的格式，导致解析失败
# agent可以自动处理解析失败的情况，再次发送请求以期望获取到能正常解析的返回数据
handle_parsing_errors=True,
# 打开详细模式，会将agent调用细节输出到控制台
verbose=True)
res = agent("1000的35%是多少？")
执行结果示例如图:
从图中可以看出：
1.LangChain 通过分析，决定调用 Calculator tool 计算最终的结果，并且分析出了需要传入的数据格式，最终根据返回的结果得到了正确的答案 350.0。
2.虽然大模型本身对精确计算不是很擅长，但是通过 Agent 模块，大模型可以将需要精准计算的部分提交给更专业的工具进行计算，而大模型本身负责分析文本、决定使用的工具、抽取出相关的参数、分析和组合返回结果，这些部分正是大模型自己擅长的内容，通过与 Tools 分工合作，最终拿到了正确且精准的返回结果。
调用内置组件
所谓内置组件，可以将其理解为 Python 代码执行工具。前一个示例是计算工具，能够覆盖的场景有限。由于大模型本身也具备生成代码的能力，一个能够支持运行 Python 代码的工具，显然能够通过代码实现覆盖更大更复杂的场景，并且通用性也更强。使用内置的 Python 运行工具和大模型生成的代码结合的步骤如下：
1.加载工具。
2.初始化 Agent，并将工具传入，工具为PythonREPLTool()。
3.对代理输入问题。
4.代理运行过程打开 Debug，方便查看运行流程。
# LangChain相关模块的导入
from langchain.chat_models import ChatOpenAI
from langchain.tools import PythonREPLTool
from langchain.agents import initialize_agent
# 加载个人的OpenAI Token
key = 'open_ai_key'
# 创建OpenAI调用实例
# 在本示例中，大模型需要作为一个严谨的逻辑解析工具，所以temperature设置为0
llm = ChatOpenAI(temperature=0, openai_api_key=key)
# 创建Agent实例
agent = initialize_agent(
# 设置可以使用的工具
tools=[PythonREPLTool()],
# 设置逻辑解析所使用的大模型实例
llm=llm,
# 打开详细模式，会将agent调用细节输出到控制台
verbose=True)
# 待排序的人名列表
name_list = ["Ashish Vaswani", "Noam Shazeer", "Niki Parmar", "Jakob Uszkoreit", "Llion Jones", "Aidan N. Gomez",
"Łukasz Kaiser", "Illia Polosukhin"]
# 打开Debug模式，将会输出更详细的日志信息，方便了解整体运行逻辑
import langchain
langchain.debug = True
# 组装成最终的命令字符串，并调用agent运行解析，获取结果
command_str = f"将下列人名优先用姓氏、再使用名字进行排序，并将结果打印出来: \n{name_list}"
res = agent.run(command_str)
# 打印结果
print(res)
# 关闭Debug模式
langchain.debug = False
通过打开 Debug 开关，我们得以见到 LangChain 中 Agent 功能的详细工作流程和日志，简单梳理一下本次请求中 Agent 的工作如下图：
调用自定义工具
以上的两种方案，其实都有灵活性不足的问题，所以 LangChain 也提供了自定义 Tools 方法，方便开发者根据自己的业务生成 Tools，或者复用已有的 Tools 工具。
1.定义好自己的工具方法，并添加 @Tool 装饰器。定义工具方法的时候有以下注意事项：- 方法名作为自定义Tool的实例名称。- 方法参数是经过大模型分析之后，送入当前Tool的文本信息。- 方法中必须要存在doc,这个doc会被作为tool的描述信息，提交给大模型用于判断什么时候怎么调用当前tool。
2.初始化 Agent，并将定义好的工具传入。
3.对代理输入问题。
4.代理运行过程打开 Debug，方便查看运行流程。
# LangChain相关模块的导入
from langchain.chat_models import ChatOpenAI
from langchain.agents import initialize_agent
from langchain.agents import tool
# 加载个人的OpenAI Token
key = 'open_ai_key'
# 创建OpenAI调用实例
# 在本示例中，大模型需要作为一个严谨的逻辑解析工具，所以temperature设置为0
llm = ChatOpenAI(temperature=0, openai_api_key=key)
# 使用tool装饰器，可以直接将一个方法转为BaseTool实例，用于放到Agent的tools参数中支持调用
# 编写一个工具，用于将中文文本转换成拼音，以列表的形式返回文本中的每一个字
@tool
def chinese_to_pinyin(query: str) -> str:
# 方法名作为自定义tool的实例名称
# query参数是经过大模型分析之后，送入当前tool的文本信息
# 方法中必须要存在doc,这个doc会被作为tool的描述信息，提交给大模型用于判断什么时候怎么调用当前tool
"""接收中文文本，返回对应中文的拼音列表，能够将中文转换成拼音的工具，必须要接收一个中文文本作为输入参数，并且返回的时候总是一个列表数据"""
# 使用pypinyin库将中文文本转换成拼音
# 需要事先安装依赖库 pip3 install pypinyin
from pypinyin import pinyin
res = pinyin(query)
# 将转换结果的格式修正一下[["zhong"],["wen"]] => "['zhong','wen']"
return str([i[0] for i in res])
agent = initialize_agent(
# 设置可以使用的工具列表
tools=[chinese_to_pinyin],
# 设置逻辑解析所使用的大模型实例
llm=llm,
# 打开详细模式，会将agent调用细节输出到控制台
verbose=True)
# 待翻译文本
chinese_str = "打开Debug模式，将会输出更详细的日志信息，方便了解整体运行逻辑"
# 打开Debug模式，将会输出更详细的日志信息，方便了解整体运行逻辑
import langchain
langchain.debug = True
# 组装成最终的命令字符串，并调用agent运行解析，获取结果
command_str = f"将以下文本转换成拼音: \n{chinese_str}"
res = agent.run(command_str)
# 打印结果
print(res)
# 关闭Debug模式
langchain.debug = False
返回结果示例截图:
根据运行中的步骤可以看到，通过大模型的分析，确实调用了预先设置好的 Tool 实例对字符串做了处理，将它转换成拼音形式，达成了最终目的。
需要注意的是，如果存在很多工具时，选用哪一款工具，将请求数据格式化成什么样的字符串发送给工具，是由大模型来决定的。这就要求我们对工具的使用描述尽可能的做到准确和简洁，并且在工具内部对异常情况多做考虑。
总结
本文主要介绍了langchain的agents模块的原理以及基本的使用，希望本文可以帮到大家！
