Rychlý přehled
Tento příspěvek bude demonstrovat následující:
Co jsou agenti ve zpracování přirozeného jazyka (NLP)
- Instalace frameworků
- Konfigurace modelu chatu
- Stavební agent
- Vyvolání agenta
- Nakonfigurujte nástroje agenta
- Testování agenta
Co jsou agenti ve zpracování přirozeného jazyka (NLP)?
Agenti jsou životně důležitými součástmi aplikace přirozeného jazyka a k pochopení dotazů používají porozumění přirozenému jazyku (NLU). Tito agenti jsou programy, které fungují jako konverzační šablona pro interakci s lidmi pomocí sekvence úkolů. Agenti používají více nástrojů, které může agent volat, aby provedl více akcí nebo určil další úkol, který má provést.
Začínáme s agenty v LangChain
Začněte proces sestavování agentů pro konverzaci s lidmi extrahováním výstupu pomocí agentů v LangChain. Chcete-li se dozvědět, jak začít s agenty v LangChain, jednoduše postupujte podle níže uvedených kroků:
Krok 1: Instalace frameworků
Nejprve začněte s procesem instalace rámce LangChain pomocí „ pip ” pro získání požadovaných závislostí pro použití agentů:
pip install langchain 
Nainstalujte modul OpenAI pro budování LLM a použijte jej ke konfiguraci agentů v LangChain:
pip install openai 
Nastavte prostředí pro modul OpenAI pomocí jeho klíče API z účtu spuštěním následujícího kódu:
import vyimport getpass
vy . přibližně [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'Klíč OpenAI API:' )
Krok 2: Nakonfigurujte model chatu
Importujte modul ChatOpenAI z LangChain a vytvořte LLM pomocí jeho funkce:
z langchain. chat_models import ChatOpenAIllm = ChatOpenAI ( teplota = 0 )
Importujte nástroje pro agenta pro konfiguraci úloh nebo akcí, které musí agent provést. Následující kód používá metodu get_word_length() k získání délky slova poskytnutého uživatelem:
z langchain. agenti import nástroj@ nástroj
def get_word_length ( slovo: str ) - > int :
'''získávám délku slova'''
vrátit se jen ( slovo )
nástroje = [ get_word_length ]
Nakonfigurujte šablonu nebo strukturu pro model chatu a vytvořte rozhraní pro chat:
z langchain. vyzve import ChatPromptTemplate , Zástupný symbol zprávvýzva = ChatPromptTemplate. od_zpráv ( [
( 'Systém' , 'Váš asistent je docela úžasný, ale potřebuje zlepšit počítání délek' ) ,
( 'uživatel' , '{vstup}' ) ,
Zástupný symbol zpráv ( název_proměnné = 'agent_scratchpad' ) ,
] )
Krok 3: Stavební agent
Importujte knihovnu nástrojů pro budování LLM pomocí nástrojů využívajících funkce OpenAI z modulu LangChain:
z langchain. nástroje . poskytnout import format_tool_to_openai_functionllm_with_tools = llm. svázat (
funkcí = [ format_tool_to_openai_function ( t ) pro t v nástroje ]
)
Nakonfigurujte agenta pomocí agenta funkce OpenAI, aby používal výstupní analyzátor k nastavení sekvencí akcí/úloh:
z langchain. agenti . format_scratchpad import format_to_openai_functionsz langchain. agenti . výstupní_analyzátory import OpenAIFunctionsAgentOutputParser
činidlo = {
'vstup' : lambda x: x [ 'vstup' ] ,
'agent_scratchpad' : lambda x: format_to_openai_functions ( X [ 'intermediate_steps' ] )
} | výzva | llm_with_tools | OpenAIFunctionsAgentOutputParser ( )
Krok 4: Vyvolání agenta
Další krok používá funkci invoke() k volání agenta pomocí argumentů input a middle_steps:
činidlo. vyvolat ( {'vstup' : 'kolik písmen ve slově dobrý' ,
'intermediate_steps' : [ ]
} )
Krok 5: Nakonfigurujte nástroje agenta
Poté jednoduše importujte knihovnu AgentFinish a nakonfigurujte mezikroky integrací všech kroků v pořadí, abyste dokončili aktivitu:
z langchain. schéma . činidlo import AgentFinishmezikroky = [ ]
zatímco Skutečný :
výstup = činidlo. vyvolat ( {
'vstup' : 'dopisy v pořádku' ,
'intermediate_steps' : mezikroky
} )
-li isinstance ( výstup , AgentFinish ) :
konečný výsledek = výstup. návratové_hodnoty [ 'výstup' ]
přestávka
jiný :
tisk ( výstup. nástroj , výstup. tool_input )
nástroj = {
'get_word_length' : get_word_length
} [ výstup. nástroj ]
pozorování = nástroj. běh ( výstup. tool_input )
mezikroky. připojit ( ( výstup , pozorování ) )
tisk ( konečný výsledek )
Krok 6: Testování agenta
Nyní spusťte agenta voláním metody AgentExecutor() po importu jeho knihovny z LangChain:
z langchain. agenti import AgentExecutoragent_exekutor = AgentExecutor ( činidlo = činidlo , nástroje = nástroje , podrobný = Skutečný )
Na konci vyvolejte agent_executor se vstupním argumentem pro zadání dotazu na agenta:
agent_exekutor. vyvolat ( { 'vstup' : 'kolik písmen ve slově dobrý' } )Agent po dokončení řetězce zobrazil odpověď na otázku zadanou ve vstupním argumentu:
To je vše o tom, jak začít s agenty v rámci LangChain.
Závěr
Chcete-li začít s agenty v LangChain, jednoduše nainstalujte moduly potřebné k nastavení prostředí pomocí klíče OpenAI API. Poté nakonfigurujte model chatu nastavením šablony výzvy pro sestavení agenta s posloupností mezikroků. Jakmile je agent nakonfigurován, jednoduše sestavte nástroje zadáním úkolů po zadání vstupního řetězce uživateli. Tento blog demonstroval proces používání agentů v LangChain.