LangChain中不同Agent类型使用实操二
ReAct Agent类型及示例
1. 用agent = ZeroShotAgent 定义agent.
特点：零样本学习，不保留历史
适用场景：单轮任务，不需要上下文记忆,但实际经过对memory的配置和prompt配合，也能实现上下文记忆。
示例程序总结：注意定义agent = ZeroShotAgent，需要定义llm_chain，prompt和tools这几个参数。
agent = ZeroShotAgent(
llm_chain=LLMChain(llm=llm, prompt=PromptTemplate.from_template(prefix + suffix)),
tools=tools,
verbose=True
)
完整示例，可成功执行
from langchain.agents import Tool, ZeroShotAgent, AgentExecutor
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
import os
# 1. 定义一个简单的加法计算器工具
def simple_add(expression: str) -> str:
"""简单的加法计算器"""
try:
# 移除所有空格和引号
expression = expression.strip().strip('"\'')
# 分割数字
numbers = expression.split('+')
# 转换为整数并求和
result = sum(int(num.strip()) for num in numbers)
return str(result)
except Exception as e:
return f"计算失败：{str(e)}"
tools = [
Tool(
name="SimpleAdd",
func=simple_add,
description="简单的加法计算器，输入格式为'数字+数字'，例如：1+2"
)
]
# 2. 创建ZeroShotAgent的提示模板
prefix = """你是一个帮助用户解决问题的助手。你可以使用以下工具：
{tools}
请使用以下格式：
Question: 输入的问题
Thought: 你需要思考如何解决这个问题
Action: 要使用的工具名称
Action Input: 工具的输入
Observation: 工具的输出
... (这个思考/行动/观察可以重复多次)
Thought: 我现在知道最终答案
Final Answer: 对原始输入问题的最终答案
现在开始：
Question: {input}
"""
suffix = """
{agent_scratchpad}
"""
# 创建llm
BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
MODEL = "qwen-turbo"
API_KEY = os.getenv('DASHSCOPE_API_KEY')
llm = ChatOpenAI(
model= MODEL, # 默认的大模型为GPT-3.5-turbo，比较便宜
openai_api_base= BASE_URL,
openai_api_key= API_KEY
)
# 创建agent
agent = ZeroShotAgent(
llm_chain=LLMChain(llm=llm, prompt=PromptTemplate.from_template(prefix + suffix)),
tools=tools,
verbose=True
)
# 执行
agent_executor = AgentExecutor.from_agent_and_tools(
agent=agent,
tools=tools,
verbose=True,
max_iterations=10
)
# 运行
result = agent_executor.invoke({
"input": "计算 1 + 2 等于多少？",
"tools": "\n".join([f"{tool.name}: {tool.description}" for tool in tools])
})
print("最终输出：", result["output"])
输出结果如下：
> Entering new AgentExecutor chain... Thought: 这是一个简单的加法计算，我可以直接使用SimpleAdd工具来计算。 Action: SimpleAdd Action Input: 1+2 Observation: 3 Thought:我现在知道最终答案。 Final Answer: 1 + 2 等于 3。 > Finished chain. 最终输出： 1 + 2 等于 3。
在此基础上，我增加了工具，使其可以自行选择合适的工具进行处理
from langchain.agents import Tool, ZeroShotAgent, AgentExecutor
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
import os
# 1. 定义工具函数
def simple_add(expression: str) -> str:
"""简单的加法计算器"""
try:
# 移除所有空格和引号
expression = expression.strip().strip('"\'')
# 分割数字
numbers = expression.split('+')
# 转换为整数并求和
result = sum(int(num.strip()) for num in numbers)
return str(result)
except Exception as e:
return f"计算失败：{str(e)}"
def get_word_length(word: str) -> str:
"""计算字符串长度"""
try:
# 移除所有空格和引号
word = word.strip().strip('"\'')
return str(len(word))
except Exception as e:
return f"计算失败：{str(e)}"
# 2. 创建工具列表
tools = [
Tool(
name="SimpleAdd",
func=simple_add,
description="简单的加法计算器，输入格式为'数字+数字'，例如：1+2"
),
Tool(
name="WordLength",
func=get_word_length,
description="计算字符串长度，输入一个字符串，返回它的字符数，例如：'hello'"
)
]
# 3. 创建ZeroShotAgent的提示模板
prefix = """你是一个帮助用户解决问题的助手。你可以使用以下工具：
{tools}
请使用以下格式：
Question: 输入的问题
Thought: 你需要思考如何解决这个问题
Action: 要使用的工具名称
Action Input: 工具的输入
Observation: 工具的输出
... (这个思考/行动/观察可以重复多次)
Thought: 我现在知道最终答案
Final Answer: 对原始输入问题的最终答案
现在开始：
Question: {input}
"""
suffix = """
{agent_scratchpad}
"""
# 创建llm
BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
MODEL = "qwen-turbo"
API_KEY = os.getenv('DASHSCOPE_API_KEY')
llm = ChatOpenAI(
model= MODEL, # 默认的大模型为GPT-3.5-turbo，比较便宜
openai_api_base= BASE_URL,
openai_api_key= API_KEY
)
# 创建agent
agent = ZeroShotAgent(
llm_chain=LLMChain(llm=llm, prompt=PromptTemplate.from_template(prefix + suffix)),
tools=tools,
verbose=True
)
# 执行
agent_executor = AgentExecutor.from_agent_and_tools(
agent=agent,
tools=tools,
verbose=True,
max_iterations=10
)
# 运行
result = agent_executor.invoke({
"input": "计算 1 + 2 等于多少？",
"tools": "\n".join([f"{tool.name}: {tool.description}" for tool in tools])
})
print("最终输出：", result["output"])
# 测试字符串长度计算
result = agent_executor.invoke({
"input": "单词'hello'的长度是多少？",
"tools": "\n".join([f"{tool.name}: {tool.description}" for tool in tools])
})
print("\n最终输出：", result["output"])
输出结果：
> Entering new AgentExecutor chain... Thought: 这是一个简单的加法问题，我可以使用 SimpleAdd 工具来计算。 Action: SimpleAdd Action Input: 1+2 Observation: 3 Thought:我现在知道最终答案。 Final Answer: 1 + 2 等于 3。 > Finished chain. 最终输出： 1 + 2 等于 3。 > Entering new AgentExecutor chain... Thought: 我需要计算单词'hello'的长度，这可以通过WordLength工具来实现。 Action: WordLength Action Input: 'hello' Observation: 5 Thought:我现在知道最终答案 Final Answer: 单词'hello'的长度是5个字符。 > Finished chain. 最终输出： 单词'hello'的长度是5个字符。
继续在此基础上，提出问题“请计算单词’hello’和’world’的长度之和是多少？”，它能自动选择工具，自动选择步骤，自动选择变量，自动选择答案。
#根据问题“请计算单词'hello'和'world'的长度之和是多少？”，自动选择工具，自动选择步骤，自动选择变量，自动选择答案。
#无需记忆历史对话，因此未用到memory。
from langchain.agents import Tool, ZeroShotAgent, AgentExecutor
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
import os
# 1. 定义工具函数
def simple_add(expression: str) -> str:
"""简单的加法计算器"""
try:
# 移除所有空格和引号
expression = expression.strip().strip('"\'')
# 分割数字
numbers = expression.split('+')
# 转换为整数并求和
result = sum(int(num.strip()) for num in numbers)
return str(result)
except Exception as e:
return f"计算失败：{str(e)}"
def get_word_length(word: str) -> str:
"""计算字符串长度"""
try:
# 移除所有空格和引号
word = word.strip().strip('"\'')
return str(len(word))
except Exception as e:
return f"计算失败：{str(e)}"
# 2. 创建工具列表
tools = [
Tool(
name="SimpleAdd",
func=simple_add,
description="简单的加法计算器，输入格式为'数字+数字'，例如：1+2"
),
Tool(
name="WordLength",
func=get_word_length,
description="计算字符串长度，输入一个字符串，返回它的字符数，例如：'hello'"
)
]
# 3. 创建ZeroShotAgent的提示模板
prefix = """你是一个帮助用户解决问题的助手。你可以使用以下工具：
{tools}
请使用以下格式：
Question: 输入的问题
Thought: 你需要思考如何解决这个问题
Action: 要使用的工具名称
Action Input: 工具的输入
Observation: 工具的输出
... (这个思考/行动/观察可以重复多次)
Thought: 我现在知道最终答案
Final Answer: 对原始输入问题的最终答案
重要提示：
1. 如果问题涉及多个步骤，你需要一步步思考
2. 可以使用一个工具的输出作为另一个工具的输入
3. 在得到所有需要的结果后，给出最终答案
现在开始：
Question: {input}
"""
suffix = """
{agent_scratchpad}
"""
# 创建llm
BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
MODEL = "qwen-turbo"
API_KEY = os.getenv('DASHSCOPE_API_KEY')
llm = ChatOpenAI(
model= MODEL, # 默认的大模型为GPT-3.5-turbo，比较便宜
openai_api_base= BASE_URL,
openai_api_key= API_KEY
)
# 创建agent
agent = ZeroShotAgent(
llm_chain=LLMChain(llm=llm, prompt=PromptTemplate.from_template(prefix + suffix)),
tools=tools,
verbose=True
)
# 执行
agent_executor = AgentExecutor.from_agent_and_tools(
agent=agent,
tools=tools,
verbose=True,
max_iterations=10
)
# 运行自动链式计算
result = agent_executor.invoke({
"input": "请计算单词'hello'和'world'的长度之和是多少？",
"tools": "\n".join([f"{tool.name}: {tool.description}" for tool in tools])
})
print("最终输出：", result["output"])
输出结果如下
> Entering new AgentExecutor chain... Thought: 我需要分别计算两个单词的长度，然后将它们相加。 Action: WordLength Action Input: 'hello' Observation: 5 Thought:现在我需要计算第二个单词'world'的长度。 Action: WordLength Action Input: 'world' Observation: 5 Thought:我现在知道两个单词的长度分别是5，它们的总长度是10。 Final Answer: 单词'hello'和'world'的长度之和是10。 > Finished chain. 最终输出： 单词'hello'和'world'的长度之和是10。
