Memahami Rangka Kerja Ejen Langchain

Langchain adalah toolkit yang kuat untuk membina aplikasi AI yang canggih. Senibina ejennya amat penting, yang membolehkan pemaju untuk mewujudkan sistem pintar yang mampu menafikan, membuat keputusan, dan tindakan bebas. Eksplorasi ini menyelidiki agen dan alat Langchain, mempamerkan kesan transformatif mereka terhadap pembangunan AI.

Jadual Kandungan

• Apa itu ejen?
• Memahami alat
• Ejen bangunan dengan langchain
  • Langkah 1: Menyediakan dan memasang kebergantungan
  • Langkah 2: Mengkonfigurasi kekunci API
  • Langkah 3: Mengimport modul yang diperlukan
  • Langkah 4: Membuat alat dan ejen
  • Langkah 5: Menggunakan ejen
• Menyesuaikan ejen anda
• Memperluas alat ejen
  • Penjelasan kod
• Soalan yang sering ditanya

Apa itu ejen?

Ejen Langchain adalah sistem yang mengatur urutan tindakan berdasarkan arahan dari model bahasa yang besar (LLM). LLM bertindak sebagai enjin membuat keputusan, menentukan tindakan yang akan diambil dan kapan. Ejen menerima maklum balas selepas setiap tindakan, membolehkannya menilai sama ada langkah selanjutnya diperlukan atau tugas selesai.

Komponen ejen utama:

• Model Bahasa (LLM): Otak ejen, yang bertanggungjawab untuk penalaran dan membuat keputusan.
• Alat: Keupayaan ejen untuk berinteraksi dengan dunia luaran dan melaksanakan tugas tertentu.
• Ejen Ejen: Persekitaran Runtime Menguruskan Operasi Ejen.

Memahami alat

Alat adalah antara muka yang membolehkan komunikasi antara ejen, rantai, model sembang, dan sistem luaran/sumber data. Memandangkan senarai alat dan cepat, LLM boleh memilih dan menggunakan alat yang sesuai dengan input yang betul.

Langchain menyediakan banyak alat yang telah dibina, termasuk:

1. Akses Wikipedia
2. Fungsi kalkulator
3. Enjin carian (contohnya, DuckDuckgo, Google)
4. Interaksi pangkalan data SQL
5. Akses ARXIV
6. Banyak lagi!

Pemaju juga boleh membuat alat tersuai, menyesuaikan diri dengan yang sedia ada, dan mengintegrasikannya dengan lancar dengan LLMS.

Bacaan Berkaitan: Panduan Komprehensif untuk Membina Sistem Rag Agentik dengan Langgraph

Ejen bangunan dengan langchain

Bahagian ini menunjukkan membina ejen asas menggunakan API Fungsi Terbuka dan Alat Carian Tavily.

Langkah 1: Persediaan dan Ketergantungan

Pasang perpustakaan yang diperlukan:

! Pip pemasangan-Langkhain-openai
! PIP Pasang-Tavily-Python Tavily
! Pip memasang Langchainhub
! Pip memasang Langchain
! Pip memasang Langchain-Community

Langkah 2: Mengkonfigurasi kekunci API

Konfigurasikan kekunci API Openai dan Tavily anda:

Import OS
os.environ ['openai_api_key'] = openai_key
os.environ ['tavily_api_key'] = tavily_api_key

Langkah 3: Mengimport Modul

dari hab import langchain
dari Langchain.Agents Import AgentExecutor, create_openai_functions_agent
dari langchain_community.tools.Tavily_Search Import TavilySearchResults
dari langchain_openai import chatopenai
dari langchain_community.utilities.Tavily_Search import tavilysearchapiwrapper

Langkah 4: Membuat alat dan ejen

# Buat alat
Alat = [TavilySearchResults (max_results = 1)]
# Dapatkan prompt (boleh diubahsuai)
prompt = hub.pull ("hwchase17/openai-functions-agent")
# Pilih LLM
LLM = ChateOpenai (Model = "GPT-3.5-Turbo-1106")
# Bina ejen
agen = create_openai_functions_agent (llm, alat, prompt)
agen_executor = agenexecutor.from_agent_and_tools (ejen, alat)

Langkah 5: Menggunakan ejen

Melaksanakan tugas:

hasil = agen_executor.invoke ({"input": "Apa itu analitik vidhya?"})
cetak (hasil ['output']))

Menyesuaikan ejen anda

Fleksibiliti Langchain membolehkan penciptaan dan integrasi alat adat mudah. Inilah contoh:

# Alat tersuai
dari Langchain_Core.Tools Alat Import
@tool
Def tambahan (x: int, y: int)-> int:
    "" "Tambahan" "" "
    kembali xy
@tool
def search_web (pertanyaan: str)-> senarai:
    "" "Cari web" ""
    # ... (kod carian yang tavily seperti sebelumnya) ...
alat = [tambahan, carian_web]
# ... (selebihnya kod penciptaan ejen menggunakan alat tersuai dan berpotensi LLM yang lebih maju) ...

Memperluas toolkit ejen (kod untuk memproses dan melaksanakan panggilan alat disediakan dalam input asal dan tetap sama.)

Penjelasan kod (penjelasan terperinci mengenai penggunaan alat addition dan search_web disediakan dalam input asal dan tetap sama.)

Soalan yang sering ditanya (bahagian FAQ dari input asal dikekalkan.)

Sambutan yang disemak ini mengekalkan makna dan struktur kandungan asal semasa menggunakan struktur ungkapan dan ayat yang berbeza untuk mencapai paraphrasing. Imej kekal dalam format dan kedudukan asalnya.

Atas ialah kandungan terperinci Memahami Rangka Kerja Ejen Langchain. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!