在本文中，我们将深入探讨如何使用LangChain的AgentExecutor构建智能代理。虽然这属于旧版的方式，但对于新手来说，这种方法可以快速上手。不过，随着项目复杂度的增加，您可能需要更高级的代理技术。LangGraph Agents或迁移指南将为您提供更多灵活性和控制力。

技术背景介绍

语言模型（LLM）仅能输出文本，而不能执行具体操作。LangChain的一个重要应用是创建代理系统，这些系统使用LLM作为推理引擎来决定执行哪些操作以及这些操作的输入是什么。在本教程中，我们将构建一个能够与多个不同工具互动的代理，包括本地数据库和搜索引擎。您可以向该代理提问，观察它调用工具，并与其进行对话。

核心原理解析

我们将涵盖以下概念：

• 使用语言模型的工具调用能力
• 创建Retriever以向代理暴露特定信息
• 使用SearchTool在线查找信息
• 支持历史聊天记录，让聊天机器人可以“记住”过去互动的内容
• 使用LangSmith调试和追踪应用程序

代码实现演示

环境配置

首先，安装LangChain：

pip install langchain

确保设置环境变量以启用LangSmith的追踪功能：

import getpass
import os

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()

定义工具

我们将创建两个工具：Tavily和Retriever。

Tavily工具

使用Tavily搜索引擎作为工具：

from langchain_community.tools.tavily_search import TavilySearchResults

search = TavilySearchResults(max_results=2)
result = search.invoke("what is the weather in SF")
print(result)

Retriever工具

创建一个Retriever：

from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

loader = WebBaseLoader("https://docs.smith.langchain.com/overview")
docs = loader.load()
documents = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200).split_documents(docs)
vector = FAISS.from_documents(documents, OpenAIEmbeddings())
retriever = vector.as_retriever()

将Retriever转换为工具：

from langchain.tools.retriever import create_retriever_tool

retriever_tool = create_retriever_tool(
    retriever,
    "langsmith_search",
    "Search for information about LangSmith. For any questions about LangSmith, you must use this tool!"
)
tools = [search, retriever_tool]

使用语言模型

选择一个语言模型并进行工具调用：

from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4")
model_with_tools = model.bind_tools(tools)
response = model_with_tools.invoke([HumanMessage(content="What's the weather in SF?")])
print(f"ContentString: {response.content}")
print(f"ToolCalls: {response.tool_calls}")

创建代理

定义代理，并通过AgentExecutor执行工具调用：

from langchain.agents import create_tool_calling_agent, AgentExecutor

agent = create_tool_calling_agent(model, tools)
agent_executor = AgentExecutor(agent=agent, tools=tools)
response = agent_executor.invoke({"input": "hi!"})
print(response)

添加记忆功能

让代理能够记住过去的会话：

from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

store = {}
def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

agent_with_chat_history = RunnableWithMessageHistory(
    agent_executor,
    get_session_history,
    input_messages_key="input",
    history_messages_key="chat_history"
)
response = agent_with_chat_history.invoke({"input": "hi! I'm bob"}, config={"configurable": {"session_id": "<foo>"}})
print(response)

应用场景分析

这种基于工具调用的智能代理适用于多种场景，如客服聊天机器人、信息查询助理以及线上答疑平台等。

实践建议

• 初次使用LangChain代理时，建议从简单的工具调用开始，逐步增加复杂度。
• 尝试结合LangSmith调试工具，深入理解代理的行为。
• 为代理添加状态记忆功能，以提高用户体验。

如果遇到问题欢迎在评论区交流。

—END—