使用Langchain建立智能AI代理：实用指南

使用兰班释放AI特工的力量：初学者指南

想象一下，通过让她与Chatgpt聊天来向您的祖母展示人工智能的奇观 - 当AI毫不费力地进行对话时，她的脸上的兴奋！本文探讨了如何使用Langchain（一个强大的Python库）来构建自己的智能AI代理，从而简化了该过程。

Langchain甚至赋予了编码经验有限的人，以创建满足其特定需求的复杂AI应用程序。我们将指导您建立一个能够刮擦和内容摘要的AI代理，这表明Langchain有可能彻底改变您的工作流程。无论您是新手还是专家，Langchain都提供了开发动态的，上下文感知的AI解决方案的工具。

关键概念和好处：

本指南将涵盖：

• 将兰链用于AI代理开发的核心功能和优势。
• 在Python环境中设置和配置Langchain。
• 在为Web刮擦和内容摘要等任务构建AI代理方面的实践经验。
• 了解传统聊天机器人和兰链代理之间的关键差异。
• 自定义和扩展Langchain以满足特定的申请要求。

目录：

• 什么是兰班？
• Langchain的核心特征
• 了解Langchain代理
• 动手示例：建立AI代理
• 定义网络刮擦工具
• 示例文章文本
• 常见问题

什么是兰班？

Langchain通过其创新的开源Python图书馆简化了智能AI代理的创建。在快速发展的AI景观中，建立参与自然，上下文丰富对话的代理的能力是无价的。 Langchain擅长提供一个强大的框架，该框架与各种语言模型无缝集成，使其非常适合寻求建立复杂的AI代理的开发人员。

Langchain的角色：

Langchain解决了传统AI代理的局限性。尽管有帮助，但传统的聊天机器人通常会在上下文维护和细微的互动中挣扎。 Langchain通过利用最先进的语言模型（例如GPT-3）来克服这些挑战，从而显着增强其代理的对话能力。图书馆认识到，尽管存在强大的语言模型，但将它们集成到实际应用程序中可能很复杂。 Langchain摘要这种复杂性，提供了一个用户友好的接口，用于建筑，培训和部署AI代理。

Langchain的主要特征：

Langchain拥有一系列旨在促进健壮AI代理开发的功能。它的模块化体系结构使开发人员可以根据需要组合组件，从而确保从客户服务机器人到虚拟助手的各种用例的适应性。

• 与高级语言模型集成： Langchain支持尖端语言模型（例如GPT-3），使代理能够产生更自然和上下文相关的响应，这对于创建引人入胜的用户交互至关重要。
• 上下文管理： Langchain擅长维持对话环境，对传统聊天机器人的重大改进。
• 可定制性和可扩展性： Langchain的高度自定义性质使开发人员可以集成其他API和数据源，调整代理行为以满足特定需求。
• 用户友好性：尽管具有力量，但Langchain仍然是用户友好的。

Langchain代理的基本面：

根据Langchain文档的说法：“代理的核心思想是使用语言模型选择一系列动作。动作是在链中进行硬编码的；在代理中，语言模型的原因是确定要采取哪些操作以及按什么顺序采取的行动。”

与简单的聊天机器人不同，AI代理是一个更高级，自主的系统，能够进行更广泛的任务。代理人比聊天机器人更灵活，更明智地理解，解释和响应用户输入。本质上，代理商代表您执行任务。

与聊天机器人的区别：聊天机器人模拟了人类的对话，通常依靠预先编程的响应。但是，Langchain代理利用LLM和深度学习算法来产生动态响应，适应上下文和对话的细微差别。与经常在上下文中挣扎的聊天机器人不同，Langchain代理人还记得过去的互动，从而使对话更加连贯和相关。

动手代码示例：构建网络刮擦并总结AI代理

此示例使用网络刮擦（带有fundus库）和兰链来刮擦和总结文章。

您需要一个带有必要库的Python环境。安装Langchain和Feldus：

 PIP安装Langchain眼底

进口：

来自langchain。代理导入工具
来自langchain_openai进口chatopenai
从眼底进口出版过程中，Crawler需要
来自langchain_core.prompts导入chatprompttemplate，MessagsPlaceHolder

初始化LLM：

 llm = chatopenai（型号=“ gpt-3.5-turbo”，温度= 0）

定义网络刮擦工具：

此功能使用fundus从美国新闻发布者那里提取一篇文章：

 @工具
def extract_article（max_article：int）：
    “”“返回美国出版商的新闻文章。”“”
    crawler = crawler（PublisherCollection.us）
    Artix_extracted = [aCRECT.BODY.TEXT（）for crawler.crawl（max_articles = max_article）中的文章] [0]
    返回str（Artif_Extracted）

示例文章文字：

（示例文章文本将在此处插入）

列表工具和提示模板：

工具= [Extract_article]

提示= chatprompttemplate.from_messages（
    [
        （“系统”，“您是一个有力的助手，但没有意识到时事。”），
        （“用户”，“ {input}”），
        MessagsPlaceHolder（variable_name =“ agent_scratchpad”），
    这是给
）

绑定工具并设置代理：

来自langchain.agents.format_scratchpad.openai_tools导入format_to_to_openai_tool_messages
来自langchain.agents.output_parsers.openai_tools导入OpenAitoolSagentOutputparser

llm_with_tools = llm.bind_tools（工具）

代理=（（
    {
        “输入”：lambda x：x [“ input”]，
        “ agent_scratchpad”：lambda x：format_to_openai_tool_messages（x [“ intermediate_steps”]），
    }
    |迅速的
    | llm_with_tools
    | OpenAitoolSagentOutputparser（）
）

执行和测试代理：

来自langchain。代理进口代理商
Agent_executor = AgentExecutor（Agent = Agent，Tools = Tools = Tools，verbose = true）
结果= list（agent_executor.stream（{“ input”：“本文是什么？”}））
打印（结果[2] ['output']）

（预期输出：样本文章的简明摘要）

结论：

该教程演示了使用兰班链构建智能AI代理，以完成内容摘要和网络刮擦等任务。它涵盖了初始化LLM，为文章检索定义工具，设计一个代理以回答用户查询，将工具绑定到LLM以及创建一个提示模板。

常见问题：

• Q1：兰班是什么？ A1：Langchain是一个Python库，简化了具有标准化接口，提示管理和工具集成的AI代理开发。

• Q2：Langchain AI代理是什么？ A2：Langchain AI代理使用语言模型根据用户输入执行操作，从而使动态和上下文感知的交互作用。

• Q3：兰链与传统聊天机器人有何不同？ A3：与传统的聊天机器人不同，Langchain代理利用语言模型来进行自然，上下文感知的响应。

以上是使用Langchain建立智能AI代理：实用指南的详细内容。更多信息请关注PHP中文网其他相关文章！