网站大全免黄手机网站怎么建设

---

简单的来说，语言模型无法采取行动，只能输出文本。
而LangChain的一个重要用例是创建Agent(代理)。

Agent是使用LLM作为推理引擎的系统，用于确定应该采取哪些行动以及这些行动的输入应该是什么。然后可以将这些行动的结果反馈给代理，并确定是否需要更多行动，或者是否可以结束。

本文的例子是：搜索城市的最高气温，然后再乘以2，等于多少。

一、Agent概念

1.1 Agent是什么

AI Agent 是基于LLM的能够自主理解、自主规划决策、执行复杂任务的智能体。

$Agents=LLM+规划技能+记忆+工具使用$

1.2 Agent的能力

• Memory（记忆）：智能体用来存储和检索历史信息的组件。它允许智能体在多次交互中保持上下文，从而做出更连贯和相关的响应。记忆可以分为短期记忆和长期记忆：
  短期记忆：通常用于存储当前会话中的信息，如最近的对话历史。
  长期记忆：用于存储更持久的信息，如用户偏好或历史数据。

• Plan（计划）: 智能体用来决定如何执行任务的策略或步骤。它涉及对当前状态和目标的分析，以生成一系列行动步骤。计划可以是静态的（预定义的）或动态的（根据当前情况生成）。
  静态计划：预先定义好的步骤，适用于结构化的任务。
  动态计划：根据当前上下文和目标实时生成的步骤，适用于复杂和动态的任务。

• Action（动作）: 智能体执行的具体操作。每个行动都是实现计划中的一个步骤。行动可以是调用一个工具、生成一段文本或执行一个外部 API 调用。
  工具调用：智能体可以调用各种工具来执行特定任务，如搜索、计算或数据检索。
  文本生成：智能体可以生成自然语言响应，与用户进行交互。

• Tools（工具）: 智能体用来执行特定任务的函数或 API。工具可以包括搜索引擎、数据库查询、计算器、翻译服务等。智能体通过调用这些工具来获取信息或执行操作。
  内置工具：LangChain 提供了一些内置工具，如搜索工具、计算工具等。
  自定义工具：开发者可以根据需要创建自定义工具，并将其集成到智能体中。

二、基于LangChain的Agent的使用

2.1 单独的大语言无法采取行动

from langchain_ollama import OllamaLLM
llm = OllamaLLM(model="deepseek-r1:7b")
# llm.invoke("明朝是什么建立的，皇帝是谁？推理过程用中文表示")llm.invoke("今天苏州的温度是多少")

模型只能输出：

2.2 TavilySearchResults 联网搜索

先去官网注册个账号，拿到 TAVILY_API_KEY
https://app.tavily.com/home
然后我们搜索下今天苏州的天气怎么样

import os
import getpass
# os.environ["TAVILY_API_KEY"] = getpass.getpass() # 输入密码
os.environ['TAVILY_API_KEY'] = 'tvly-dev你的key'
from langchain_community.tools.tavily_search import TavilySearchResultssearch = TavilySearchResults(max_results=1)
print(search.invoke("今天苏州的天气怎么样"))

2.3 用Agent输出最高气温乘2

from langchain.agents import initialize_agent, AgentType, load_tools
import os
# import getpass
# os.environ["TAVILY_API_KEY"] = getpass.getpass() # 输入密码
os.environ['TAVILY_API_KEY'] = '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'
from langchain_community.tools.tavily_search import TavilySearchResults# os.environ['TAVILY_API_KEY'] = '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'
search = TavilySearchResults(max_results=1)
# 加载常用工具，例如数学计算和维基百科
tools = [search]
tools2 = load_tools(["llm-math"], llm=llm)tools.extend(tools2)# 创建并初始化智能体Agent
agent = initialize_agent(tools=tools,llm=llm,agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,handle_parsing_errors=True,verbose=True
)response = agent.invoke("今天苏州的最高温度是多少？最高温度乘以2等于多少？")
print(response)

因为verbose=True, 可以看到工具链使用。

回复如下：