Rýchly prehľad
Tento príspevok bude demonštrovať nasledovné:
Čo sú agenti v spracovaní prirodzeného jazyka (NLP)
Začíname s agentmi v LangChain
- Inštalácia rámcov
- Konfigurácia modelu rozhovoru
- Stavebný agent
- Vyvolanie agenta
- Nakonfigurujte nástroje agenta
- Testovanie agenta
Čo sú agenti v spracovaní prirodzeného jazyka (NLP)?
Agenti sú životne dôležitými súčasťami aplikácie prirodzeného jazyka a na pochopenie dopytov používajú technológiu Natural Language Understanding (NLU). Títo agenti sú programy, ktoré fungujú ako konverzačná šablóna na interakciu s ľuďmi pomocou postupnosti úloh. Agenti používajú viacero nástrojov, ktoré môže agent zavolať na vykonanie viacerých akcií alebo určenie ďalšej úlohy, ktorú treba vykonať.
Začíname s agentmi v LangChain
Začnite proces budovania agentov na konverzáciu s ľuďmi extrahovaním výstupu pomocou agentov v LangChain. Ak sa chcete dozvedieť, ako začať s agentmi v LangChain, jednoducho postupujte podľa nižšie uvedených krokov:
Krok 1: Inštalácia rámcov
Najprv začnite s procesom inštalácie rámca LangChain pomocou „ pip ” na získanie požadovaných závislostí na používanie agentov:
pip install langchain 
Nainštalujte modul OpenAI na budovanie LLM a použite ho na konfiguráciu agentov v LangChain:
pip install openai 
Nastavte prostredie pre modul OpenAI pomocou kľúča API z účtu spustením nasledujúceho kódu:
importovať vyimportovať getpass
vy . približne [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API Key:' )
Krok 2: Nakonfigurujte model rozhovoru
Importujte modul ChatOpenAI z LangChain a vytvorte LLM pomocou jeho funkcie:
od langchain. chat_models importovať ChatOpenAIllm = ChatOpenAI ( teplota = 0 )
Importujte nástroje pre agenta na konfiguráciu úloh alebo akcií, ktoré musí agent vykonať. Nasledujúci kód používa metódu get_word_length() na získanie dĺžky slova poskytnutého používateľom:
od langchain. agentov importovať nástroj@ nástroj
def get_word_length ( slovo: str ) - > int :
'''získavam dĺžku slova'''
vrátiť len ( slovo )
nástrojov = [ get_word_length ]
Nakonfigurujte šablónu alebo štruktúru pre model rozhovoru, aby ste vytvorili rozhranie na rozhovor:
od langchain. výzvy importovať ChatPromptTemplate , Zástupný symbol správvýzva = ChatPromptTemplate. from_messages ( [
( 'systém' , 'Váš asistent je úžasný, ale potrebuje zlepšenie vo výpočte dĺžok' ) ,
( 'užívateľ' , '{input}' ) ,
Zástupný symbol správ ( názov_premennej = 'agent_scratchpad' ) ,
] )
Krok 3: Stavebný agent
Importujte knižnicu nástrojov na budovanie LLM s nástrojmi pomocou funkcií OpenAI z modulu LangChain:
od langchain. nástrojov . vykresliť importovať format_tool_to_openai_functionllm_with_tools = llm. viazať (
funkcie = [ format_tool_to_openai_function ( t ) pre t v nástrojov ]
)
Nakonfigurujte agenta pomocou agenta funkcie OpenAI, aby používal výstupný analyzátor na nastavenie sekvencií akcií/úloh:
od langchain. agentov . format_scratchpad importovať format_to_openai_functionsod langchain. agentov . výstupné_analyzátory importovať OpenAIFunctionsAgentOutputParser
agent = {
'vstup' : lambda x: x [ 'vstup' ] ,
'agent_scratchpad' : lambda x: format_to_openai_functions ( X [ 'intermediate_steps' ] )
} | výzva | llm_with_tools | OpenAIFunctionsAgentOutputParser ( )
Krok 4: Vyvolanie agenta
Ďalší krok používa funkciu invoke() na volanie agenta pomocou argumentov input a middle_steps:
agent. vzývať ( {'vstup' : 'koľko písmen v slove dobrý' ,
'medzikroky' : [ ]
} )
Krok 5: Nakonfigurujte Agent Tools
Potom jednoducho importujte knižnicu AgentFinish a nakonfigurujte medzikroky integráciou všetkých krokov v poradí, aby ste dokončili aktivitu:
od langchain. schéma . agent importovať AgentFinishmedzikroky = [ ]
zatiaľ čo Pravda :
výkon = agent. vzývať ( {
'vstup' : 'dobré listy' ,
'medzikroky' : medzikroky
} )
ak isinstance ( výkon , AgentFinish ) :
konečný_výsledok = výkon. návratové_hodnoty [ 'výkon' ]
prestávka
inak :
vytlačiť ( výkon. nástroj , výkon. tool_input )
nástroj = {
'get_word_length' : get_word_length
} [ výkon. nástroj ]
pozorovanie = nástroj. behať ( výkon. tool_input )
medzikroky. priložiť ( ( výkon , pozorovanie ) )
vytlačiť ( konečný_výsledok )
Krok 6: Testovanie agenta
Teraz spustite agenta volaním metódy AgentExecutor() po importovaní jeho knižnice z LangChain:
od langchain. agentov importovať AgentExecutoragent_exekútor = AgentExecutor ( agent = agent , nástrojov = nástrojov , podrobný = Pravda )
Na konci zavolajte agent_executor so vstupným argumentom na zadanie dotazu pre agenta:
agent_exekútor. vzývať ( { 'vstup' : 'koľko písmen v slove dobrý' } )Agent po dokončení reťazca zobrazil odpoveď na otázku uvedenú vo vstupnom argumente:
To je všetko o tom, ako začať s agentmi v rámci LangChain.
Záver
Ak chcete začať s agentmi v LangChain, jednoducho nainštalujte moduly potrebné na nastavenie prostredia pomocou kľúča OpenAI API. Potom nakonfigurujte model chatu nastavením šablóny výzvy na zostavenie agenta s postupnosťou medzikrokov. Keď je agent nakonfigurovaný, jednoducho vytvorte nástroje zadaním úloh po zadaní vstupného reťazca používateľovi. Tento blog demonštroval proces používania agentov v LangChain.