LangChain Agent 智能应用构建指南
LangChain 介绍
随着各种开源大模型的发布，越来越多的人开始尝试接触和使用大模型。在感叹大模型带来的惊人表现的同时，也发现一些问题，比如没法查询到最新的信息，有时候问一些数学问题时候会出现错误答案，还有一些专业领域类问题甚至编造回答等等。有没有什么办法能解决这些问题呢？答案是 LangChain。
LangChain 是一个开源的语言模型集成框架，旨在简化使用大型语言模型（LLM）创建应用程序的过程。利用它可以让开发者使用语言模型来实现各种复杂的任务，例如文本到图像的生成、文档问答、聊天机器人、调用特定的 SaaS 服务等等。随着 ChatGPT、Midjourney 等 AI 技术的爆火，LangChain 在短时间内获得了大量关注，版本迭代异常快，社区十分活跃。
LangChain 的核心架构主要包含如下模块：
- Model I/O：大模型的输入输出，包含提示词（Prompt）、任何大模型接口、结果解析器。
- Retrieval：涉及到数据集相关，主要包含文档提取器、文档转换器、向量数据库等，用于实现 RAG（检索增强生成）。
- Chains：允许将多个不同组件组合在一起使用，形成链条式调用，处理特定工作流。
- Memory：在大模型调用期间提供存储能力，保存对话历史或上下文状态。
- Agents：链式调用是硬编码的，而代理是由大模型根据实时情况来决定如何调用工具，具有更高的灵活性。
- Callbacks：大模型各个阶段的回调系统，对于日志记录、监控、流传输和其他任务非常有用。
Agent 核心原理
大模型一般只拥有他们被训练的知识，这种知识可能很快就会过时了，所以在推理的时候大模型与外界是处于'断开'状态的。为了克服这一限制，LangChain 在 Yao 等人于 2022 年 11 月提出的「推理和行动（ReAct）」框架上提出了'代理 (Agent)'的解决方案。此方案可以获取最新的数据，并将其作为上下文插入到提示中。Agent 也可以用来采取行动（例如，运行代码，修改文件等），然后该行动的结果可以被 LLM 观察到，并被纳入他们关于下一步行动的决定。
运行流程
运行大体流程为：1. 用户给出一个任务 (Prompt) -> 2. 思考 (Thought) -> 3. 行动 (Action) -> 4. 观察 (Observation)，然后循环执行上述 2-4 的流程，直到大模型认为找到最终答案为止。
Agent 内部具体拆解逻辑如下：
- Thought: 模型分析当前状态，决定下一步做什么。
- Action: 选择具体的工具并生成参数。
- Observation: 工具执行后返回结果，作为新的上下文输入给模型。
- Final Answer: 当模型认为信息足够时，输出最终结论。
实现步骤详解
使用 Agent 有两个必备条件：相关能力工具和对这些工具的正确描述。工具的命名和描述直接决定了大模型能否准确理解何时调用该工具。
定义工具
工具的定义只需要集成 BaseTool 类，然后在 _run 方法中编写你的逻辑就行，大模型会把合适的参数传进来。需要定义类变量有：
- name: 工具名称，很重要，大模型内部会使用到，需简洁明确。
- description: 工具描述，很重要，告知大模型在什么情况下来使用这个工具，描述越详细效果越好。
- return_direct: 这个字段默认为 false，如果设置为 true，工具返回结果后，大模型就不再循环思考了会直接将这个结果当做答案。
LangChain 已经内置了 duckduckgo 搜索引擎，pip install duckduckgo-search 安装一下依赖包即可使用。下面是我定义的两个工具，一个用于电影搜索，一个用于数学计算：
re
langchain.tools BaseTool, DuckDuckGoSearchRun
():
name =
description =
return_direct =
() -> :
( + query)
search = DuckDuckGoSearchRun()
search.run(query)
():
name =
description =
return_direct =
() -> :
:
(query)
Exception e:
