Jak implementovat logiku ReAct pomocí agenta v LangChain?

Rychlý přehled

Tento příspěvek ukáže:

• Jak implementovat logiku ReAct pomocí agenta v LangChain
• Instalace frameworků
• Načítání jazykového modelu
• Metoda 1: Použití jazyka LandChain Expression Language
• Stavební agent
• Metoda 2: Použití ZeroShotReactAgent
• Metoda 3: Použití modelů konverzace
• Budování agenta
• Metoda 4: Použití ChatZeroShotReactAgent
• Závěr

Jak implementovat logiku ReAct pomocí agenta v LangChain?

' Reagovat “ je kombinací fází Reason a Action pro zvýšení výkonu jazykového modelu jako „ Re “ odkazuje na rozum a “ Akt “k akci. Logika ReAct je často považována za nejoptimalizovanější pro vytváření LLM nebo chatbotů pro porozumění a generování textu. Agent je osoba s rozhodovací pravomocí, která rozhoduje o tom, jaké akce se mají provést a v jakém pořadí budou provedeny.

Chcete-li se naučit proces implementace logiky ReAct pomocí agenta v LangChain, jednoduše si projděte následující průvodce:

Krok 1: Instalace frameworků

Nejprve nainstalujte LangChain, abyste mohli začít s procesem implementace logiky ReAct:

Nainstalujte modul google-search-results, abyste získali závislosti pro vytvoření agenta, který může získat výsledky vyhledávání z google:

Poté nainstalujte moduly OpenAI, které lze použít k načtení velkých jazykových modelů nebo LLM k implementaci logiky ReAct:

Po získání všech požadovaných modulů jednoduše nastavte Prostředí OpenAI pro budování LLM a Prostředí SerpAPI pro použití agenta v modelu:

Krok 2: Načtení jazykového modelu

Dalším krokem je načtení jazykových modelů importem požadovaných knihoven pomocí rámce LangChain:

Použijte metodu OpenAI() k vytvoření jazykového modelu (llm) a poté nakonfigurujte nástroje pro agenty pomocí SerpAPI:

Metoda 1: Použití jazyka LandChain Expression Language

LCEL je proces integrace nebo skládání řetězců dohromady při vytváření jazykových modelů v LangChain. Začněte proces instalací LangChainHub, abyste získali jeho závislosti pro vytváření a používání logiky ReAct s agenty v LangChain:

Import knihoven z LangChain jako ReActSingleInputOutputParser k vytvoření modelu, který může používat model ReAct:

Načtěte jazykový model pro návrh logiky ReAct pomocí metody pull() a uložte jej do proměnné prompt. Definujte některé nástroje, které lze použít k implementaci logiky na načtené datové sadě pro implementaci její práce s agentem:

Stavební agent

Nyní nakonfigurujte agenta a jeho nástroje integrací s jazykovým modelem načteným v kroku 2 této příručky:

Definujte proměnnou agenta, která poskytuje argumenty a nástroje pro konfiguraci agenta, které vysvětlují jeho fungování. Dříve nakonfigurované části jako llm_with_stop a metoda ReActSingleInputOutputParser() jsou integrovány s agentem:

Získejte knihovnu AgentExecutor a nakonfigurujte její metodu pomocí argumentů, jako je agent, nástroje a podrobné informace, abyste získali čitelnější výstup:

Vyvolejte metodu agent_executor() s řetězcovým dotazem jako vstupem, který spustí agenta, aby extrahoval výstup:

Výstup

Následující snímek obrazovky ukazuje, že agent extrahoval informace pomocí logiky ReAct a vygeneroval text v přirozeném jazyce:

Metoda 2: Použití ZeroShotReactAgent

Logiku ReAct lze také implementovat pomocí jiného agenta, jako je ZeroShotReactAgent, při konfiguraci proměnné agent_executor. Poté jednoduše zavolejte proměnnou agent_executor s otázkou jako vstupem pro vyvolání agenta:

Výstup

Agent extrahoval informace na základě vstupu dotazovaného při vyvolání agent_executor:

Metoda 3: Použití modelů konverzace

Další proces, který lze použít k implementaci logiky ReAct pomocí modelů chatu po importu knihovny ChatOpenAI:

Sestavte model chatu pomocí metody ChatOpenAI() s hodnotou teploty rovnou 0, která může řídit náhodnost výsledků modelu:

Načtěte model, na kterém může uživatel implementovat logiku ReAct, uložte ji do proměnné výzvy a nakonfigurujte nástroje, které se mají v procesu použít:

Budování agenta

Použijte model chatu k uložení pozorování nebo nedávných zpráv, když model přestane generovat text:

Získejte knihovnu ReActJsonSingleInputOutputParser pro implementaci logiky ReAct a vytváření výsledků ve formátu JSON:

Sestavte a nakonfigurujte agenta pomocí proměnné a metody chat_model, abyste získali výsledky voláním agenta:

Nakonfigurujte agent_executor a spusťte jej, abyste získali výsledky na základě dotazu poskytnutého ve vstupní proměnné:

Výstup

Agent extrahoval výstup, jak je zobrazeno na následujícím snímku obrazovky:

Metoda 4: Použití ChatZeroShotReactAgent

Změnu hodnoty agenta lze také použít k implementaci logiky ReAct s rámcem LangChain:

Výstup

Výstupní struktura obsahuje podrobné informace o práci agenta z tokenů a modelu použitého k extrakci informací:

To je vše o procesu implementace logiky ReAct pomocí agenta v LangChain.

Závěr

Chcete-li implementovat logiku ReAct s agentem pomocí rámce LangChain, nainstalujte moduly jako google-search-results pro konfiguraci agenta. Poté nastavte prostředí pomocí přihlašovacích údajů OpenAI a SerpAPI z jejich účtů, abyste mohli začít model používat. Logiku ReAct lze implementovat pomocí LCEL a chatovacích modelů s více agenty, které nabízí modul LangChain. Tato příručka se zabývá implementací logiky ReAct pomocí agenta v LangChain.