GPT实战系列-如何让LangChain的Agent选择工具

<think>首先，用户的问题是关于LangChain Agent的使用示例或教程。用户引用了几个来源，但系统提示说这些引用仅供参考，我需要参考用户上一次的问题和我的回答。用户上一次的问题没有被提供，所以我只能基于当前的问题和引用来回答。 系统指令要求： - 所有行内数学表达式使用$...$格式。 - 独立公式使用$$...$$格式并单独成段。 - LaTeX语法正确。 - 使用中文回答。 - 生成相关问题。 - 回答中引用的段落末尾自然地添加引用标识，例如[^1]。 - 回答结构清晰，帮助用户逐步解决问题，保证真实可靠。 - 用户意图是寻找LangChain Agent的使用示例或教程。 用户的问题："请问Langchain agent 使用示例 教程"，意思是询问LangChain Agent的使用示例或教程。 从引用中： - 引用[1]：提到LangChain Agents概念及执行逻辑，并给出演示用例。 - 引用[2]：讨论代理类型和何时使用代理。 - 引用[3]：提供代码示例，使用LangChain Agents执行搜索。 - 引用[4]：关于LangChain Agent的教程学习。 我需要构建一个清晰的回答结构： 1. **介绍LangChain Agent**：简要解释什么是LangChain Agent。 2. **核心概念**：基于引用，解释Agent的执行逻辑和类型。 3. **使用示例**：提供一个代码示例，展示如何使用LangChain Agent。 4. **教程资源**：建议一些学习资源。 5. **生成相关问题**：在末尾添加相关问题。 确保使用中文回答。 步骤： - **引入**：以用户的问题开头，确认意图。 - **解释**：逐步解释LangChain Agent。 - **示例**：提供一个代码块，类似于引用[3]中的示例。 - **引用**：在解释中自然地添加引用标识。 - **相关问题**：在末尾添加相关问题。 代码示例：从引用[3]中，有一个代码示例： ```python from dotenv import load_dotenv from langchain import hub from langchain.agents import AgentExecutor, create_openai_functions_agent, load_tools from langchain.tools.tavily_search import TavilySearchResults from langchain.utilities.tavily_search import TavilySearchAPIWrapper from langchain_openai import ChatOpenAI load_dotenv() def get_function_tools(): search = TavilySearchAPIWrapper() tavily_tool = TavilySearchResults(api_wrapper=search) tools = [tavily_tool] tools.extend(load_tools(['wikipedia'])) return tools def init_action(): llm = ChatOpenAI(model="gpt-4", temperature=0.1) prompt = hub.pull("hwchase17/openai-functions-agent") tools = get_function_tools() agent = create_openai_functions_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) agent_executor.invoke({"input": "Who is the owner of Tesla company? Let me know details about owner."}) init_action() ``` 我将基于这个示例，提供一个简化的版本或解释它。 回答结构： 1. **什么是LangChain Agent？** 解释基本概念。 2. **如何使用LangChain Agent？** 描述步骤。 3. **代码示例**：提供一个简单的示例。 4. **教程资源**：推荐一些资源。 5. **相关问题**：生成相关问题。 在末尾添加相关问题。 确保引用标识：在解释时，如果基于引用，添加[^数字]。 例如： - 根据引用[1]，LangChain Agent通过智能体执行任务... - 引用[3]中的代码展示了如何初始化Agent... 最终，生成相关问题： - §§相关问题§§ 1. ... 2. ... 3. ...</think>### LangChain Agent 使用示例与教程 LangChain Agent 是一个强大的框架，用于构建基于大语言模型（LLM）的智能代理系统。它允许代理使用外部工具（如搜索引擎、API、数据库）来解决复杂问题。以下是基于您提供的引用和LangChain官方文档的逐步教程与示例，帮助您快速入门。所有内容均使用中文，并确保真实可靠。 --- #### 1. **LangChain Agent 核心概念** LangChain Agent 的核心是**代理执行器（AgentExecutor）**，它通过以下流程工作： - **输入解析**：将用户查询分解为可执行的任务。 - **工具调用**：代理选择合适的工具（如搜索、计算、API调用）处理子任务。 - **结果整合**：将工具输出整合为最终响应[^1]。 代理适用于需要动态决策的场景，例如多源信息检索或复杂推理。引用[2]指出，代理的成本不可预测，但能处理链式工具调用，而简单任务可能更适合直接使用链（Chains）。 --- #### 2. **LangChain Agent 使用示例 以下是一个完整的Python代码示例，基于引用[3]简化而来。它使用**OpenAI函数代理**执行搜索任务，查询特斯拉公司所有者的详细信息。 ```python # 导入必要库（需安装langchain, langchain-openai, python-dotenv） from dotenv import load_dotenv from langchain import hub from langchain.agents import AgentExecutor, create_openai_functions_agent from langchain.tools import Tool from langchain_community.tools.tavily_search import TavilySearchResults from langchain_openai import ChatOpenAI # 加载环境变量（包含OpenAI API密钥） load_dotenv() # 初始化工具：Tavily搜索 + Wikipedia def get_tools(): tavily_tool = TavilySearchResults() # Tavily搜索引擎工具 wikipedia_tool = Tool( name="Wikipedia", func=lambda query: "Wikipedia数据加载中...", # 实际应用中替换为Wikipedia API调用 description="用于查询百科知识" ) return [tavily_tool, wikipedia_tool] # 主函数：执行代理 def run_agent(): llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.1) # 使用GPT-3.5，低成本 prompt = hub.pull("hwchase17/openai-functions-agent") # 预定义提示模板 tools = get_tools() # 创建代理 agent = create_openai_functions_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 执行查询 result = agent_executor.invoke({"input": "特斯拉公司的所有者是谁？请提供详细信息。"}) print(result["output"]) run_agent() ``` ##### 代码说明： - **工具定义**：`TavilySearchResults` 用于实时网络搜索，`Wikipedia` 工具查询百科知识（示例中简化，实际需集成API）。 - **代理初始化**：`create_openai_functions_agent` 创建基于OpenAI函数的代理，支持动态工具选择。 - **执行流程**：代理解析输入 → 调用工具 → 整合结果 → 输出响应。 - **运行结果**：例如，输入查询后，代理可能输出：*“特斯拉公司的所有者是埃隆·马斯克（Elon Musk），他是CEO和联合创始人...”*[^3]。 --- #### 3. **LangChain Agent 学习教程推荐 - **官方教程**：LangChain文档的[Agents部分](https://python.langchain.com/docs/modules/agents/)提供基础到高级示例。 - **实战课程**：引用[4]提到的教程涵盖RAG（检索增强生成）、向量数据库和代理开发，适合构建对话机器人[^4]。 - **关键学习点**： - **代理类型**：如`Zero-shot ReAct`（单次推理）或`Conversational`（对话式），引用[2]建议根据任务复杂度选择[^2]。 - **优化技巧**：使用`temperature=0.1`减少随机性，添加`verbose=True`调试工具调用过程。 - **成本控制**：简单任务优先使用链（Chains），复杂多工具任务用代理[^2]。 --- #### 4. **常见问题与解决方案** - **问题：代理响应慢？** 解决方案：限制工具数量或使用轻量模型（如`gpt-3.5-turbo`）。 - **问题：工具调用失败？** 解决方案：检查API密钥（通过`.env`文件管理），并确保工具描述清晰（如`description`参数）。 - **进阶应用**：结合Gradio构建交互界面，引用[1]演示了如何用代理集成Gradio Tools[^1]。 ---