LangChain 代理模块详解：类型、代码与执行流程

针对聊天场景优化的代理，结构与上述类似，但更侧重于即时通讯风格的交互体验。

3. OpenAI Functions Agent

利用 OpenAI 的 Function Calling 功能，让模型直接输出函数调用参数，提高工具调用的准确性。

from langchain.chat_models import ChatOpenAI
from langchain.agents import initialize_agent, AgentType
from langchain.utilities import GoogleSearchAPIWrapper
from langchain.chains import LLMMathChain

llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo-0613")
search = GoogleSearchAPIWrapper()
llm_math_chain = LLMMathChain.from_llm(llm=llm, verbose=True)

tools = [
    Tool(
        name="Search",
        func=search.run,
        description="useful for when you need to answer questions about current events. You should ask targeted questions"
    ),
    Tool(
        name="Calculator",
        func=llm_math_chain.run,
        description="useful for when you need to answer questions about math"
    )
]

agent = initialize_agent(
    tools, 
    llm, 
    agent=AgentType.OPENAI_FUNCTIONS, 
    verbose=True
)
print(agent.run("2 的 33 次方是多少？"))

调试日志分析： 在 debug 模式下，可以看到详细的 Chain 运行步骤：

1. AgentExecutor 接收输入。
2. ChatOpenAI 生成消息，其中包含 function_call 信息。
3. Calculator 工具被调用，执行数学计算。
4. 最终 LLM 根据工具返回结果生成自然语言回答。

此模式通过封装计算函数并传入 OpenAI 接口，实现了结构化输出与工具调用的无缝衔接。

4. Plan-and-Execute Agents

计划和执行代理通过首先计划要做什么，然后执行子任务来实现目标。这个想法很大程度上受到 BabyAGI 的启发。

from langchain.experimental.plan_and_execute import PlanAndExecute, load_agent_executor, load_chat_planner
from langchain.chat_models import ChatOpenAI
from langchain.utilities import GoogleSearchAPIWrapper
from langchain.chains import LLMMathChain

search = GoogleSearchAPIWrapper()
llm = ChatOpenAI(temperature=0)
llm_math_chain = LLMMathChain.from_llm(llm=llm, verbose=True)

tools = [
    Tool(
        name="Search",
        func=search.run,
        description="useful for when you need to answer questions about current events"
    ),
    Tool(
        name="Calculator",
        func=llm_math_chain.run,
        description="useful for when you need to answer questions about math"
    ),
]

model = ChatOpenAI(temperature=0)
planner = load_chat_planner(model)
executor = load_agent_executor(model, tools, verbose=True)
agent = PlanAndExecute(planner=planner, executor=executor, verbose=True)

print(agent.run("用中文回答美国和日本的 GDP 相差多少？"))
# 预期流程：1.Search Tool 查询美国 GDP 2.Calculator Tool 查询日本 GDP 3.Calculator Tool 计算差值

5. ZERO_SHOT_REACT_DESCRIPTION

给 LLM 提供一个工具名称列表，包括它们的效用描述以及有关预期输入/输出的详细信息。指示 LLM 在必要时使用提供的工具来回答用户给出的提示。指令建议模型遵循 ReAct 格式：思考、行动、行动输入、观察。

执行示例：

> Entering new chain...
Thought: I need to find out the population of China.
Action: Search
Action Input: Population of China
Observation: The current population of China is 1,455,977,205 as of Wednesday, July 5, 2023...
Thought: I now know the final answer.
Final Answer: The current population of China is 1,455,977,205.
> Finished chain.

最佳实践与注意事项

1. 工具描述清晰：工具的 description 字段至关重要，它决定了 LLM 能否正确理解何时调用该工具。
2. 内存管理：对于长对话，务必配置 Memory（如 ConversationBufferMemory），否则代理无法记住之前的上下文。
3. 错误处理：在生产环境中，应增加对工具调用失败的异常捕获机制，避免程序崩溃。
4. 性能优化：verbose=True 仅用于调试，上线时应关闭以减少日志开销。
5. 模型选择：不同代理类型对模型的能力要求不同，Function Calling 通常需要支持 Function Call 接口的较新模型版本。

总结

LangChain 的代理模块极大地扩展了 LLM 的应用边界，使其能够自主规划任务并调用外部资源。开发者应根据具体场景选择合适的代理类型：简单问答可用 Zero-Shot React，复杂规划需 Plan-and-Execute，而涉及精确计算或结构化数据时，OpenAI Functions Agent 表现更佳。