大语言模型智能体 (LLM Agents) 入门指南

这个例子中的数据库包含三个表格：

• 客户：所有客户以及描述客户的数据
• 订单：所有与客户表中的客户相关的订单
• 代理：分配给不同客户的代理

让我们看看智能体如何尝试找到问题的答案。

刚刚描述的智能体执行器实际上只是众多可选方案之一。你也可以选择其他智能体执行器，例如：

• Plan-and-execute Agent
• Baby AGI
• Auto GPT

每个智能体执行器都有自己的执行任务和做出决策的方法和模式。选择哪种运行时取决于具体任务的特定要求、决策过程的复杂性以及你希望智能体展现的自主性或智能程度。

总而言之：

• 工具是智能体可以利用的各种功能、能力或行动，用来完成任务或解决问题。
• 这些工具必须清晰描述，让智能体理解它们的功能以及如何有效使用它们。
• LangChain 不仅提供一系列内置工具，还具有添加自定义工具的灵活性。
• 智能体执行器在管理工作流、持续评估所用工具的有效性以及根据需要调整策略以实现预期结果方面发挥着关键作用。

代码实现示例

为了更直观地理解智能体的工作流，以下是一个基于 LangChain 和 Python 的简化实现示例。该示例展示了如何定义一个简单的计算器工具，并让智能体利用该工具解决数学问题。

from langchain.agents import Tool, AgentExecutor, LLMSingleActionAgent, AgentOutputParser
from langchain.prompts import StringPromptTemplate
from langchain.llms import OpenAI
from langchain.utilities import PythonREPL

# 1. 定义工具：Python REPL
python_repl = PythonREPL()

def python_repl_tool(code: str):
    """使用 Python REPL 执行代码并返回结果"""
    try:
        result = python_repl.run(code)
        return result
    except Exception as e:
        return f"Error: {e}"

# 2. 注册工具
tools = [
    Tool(
        name="Calculator",
        func=python_repl_tool,
        description="Useful for when you need to answer questions about math or calculations. Input should be a valid Python expression."
    )
]

# 3. 设置 Prompt 模板
prompt_template = """Answer the following questions as best you can. You have access to the following tools:
{tools}
The way you use the tools is by specifying a json blob.
Specifically, this json should have a `action` key (with the name of the tool to use) and an `action_input` key (with the input to the tool).
Here is the output format:
Thought: Do I need to use a tool? Yes
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question
Begin! Remember to follow the format strictly.
Question: {input}
Thought: {agent_scratchpad}"""

# 4. 初始化 LLM 和 Agent
llm = OpenAI(temperature=0)
prompt = StringPromptTemplate.from_template(prompt_template)

# 5. 创建 Agent 和 Executor
agent = LLMSingleActionAgent(llm=llm, prompt=prompt, output_parser=None, tools=tools)
agent_executor = AgentExecutor.from_agent_and_tools(agent=agent, tools=tools, verbose=True)

# 6. 运行智能体
response = agent_executor.run("What is 123 + 456?")
print(response)

上述代码展示了智能体如何通过工具调用来解决超出其直接生成能力的任务。在实际生产中，你需要配置安全的沙箱环境，并对工具输入进行严格的校验。

总结

我们人类将复杂问题分解成更小的子任务和假设，并试图一步一步地证明或证伪它们，以逐步接近解决更大的难题。我们希望通过使用智能体的概念，用大型语言模型模拟这种行为。通过为智能体提供正确的工具，智能体能够自主决定下一步采取什么行动，以更接近最终的解决方案。

这一切非常令人兴奋，因为如果智能体真的变得足够智能，能够模仿人类的独创性和研究技能，我们就能在这些领域取得巨大的进步。在发明新事物和探索世界奥秘方面，人类不再会成为瓶颈。