LangChain Agents深入剖析及源碼解密上

Agent工作原理詳解

本節會結合AutoGPT的案例，講解LangChain代理（Agent）為核心的内容。我們前面已經談了代理本身的很多内容，也看了絕大部分的源代碼，例如：ReAct的源代碼，還有mrkl的源代碼，如圖12-1所示。

圖12- 1 LangChain的代理實作代碼

本節會從LangChain 代理的一個基礎案例開始，然後會結合AutoGPT的案例，在這兩個案例的基礎上，轉過來去看源碼，這樣大家既有案例的代碼，又有LangChain的架構源碼，大家對LangChain 的代理以及典型的實作，會有更進一步的掌握。本節談到AutoGPT，是從應用或者使用它的角度去談的，它内部會幫你處理掉很多關于提示詞的一些内容，它的名字很有意思，叫AutoGPT。 使用AutoGPT的時候，例如，我們可以問AutoGPT：“write a weather report for Sdyney today”（“寫一份關于今天悉尼的天氣報告”），或者可以問：“Recommend 5 best books to read in Python”（“推薦5本最好的Python書籍”）。從案例的角度，問天氣報告的時候，在weather_report_sydney.txt檔案中給出了非常詳細的報告資訊（2023年6月21日舊金山天氣預報:溫度：最高68°F，最低55°F，降水量：0，濕度：78%，風速：每小時10英裡，總的來說，今天的舊金山天氣很好，氣溫很低，沒有降水。）

Gavin大咖微信：NLP_Matrix_Space

weather_report_sydney.txt的日志檔案：

Weather Report for San Francisco on June 21, 2023:

Temperature: High 68°F, Law 55°F

Precipitation: 0 in.

Hunidity: 78%

Wind: 10 nph

0verall, it will be a pleasant day in San Francisco with fild temperatures and no precipitation.

這樣一種總體的描述以及産出的資訊，顯然是通過大語言模型的自然語言處理的，具體的資訊肯定是代理調用工具來産生的，隻是初步讓大家看一下結果，讓大家感受一下AutoGPT的能力，它會自動的幫你處理掉内部的很多東西。

在“推薦5本最好的Python書籍”的案例中，在recommended_books.txt檔案中給出了推薦圖書的内容。

recommended_books.txt的檔案内容：

Speech and Language Processing

Natural Language Understanding

Handbook af Natural Language Processing

Foundations of Statistical Natural Language Processing

Neural Network Methods for Natural Language Processing

AutoGPT是NLP業界或者大模型領域一個最火爆的網紅項目，LangChain實作了AutoGPT，這是AutoGPT問代理的時候，它給我們的回複，我們現在先不進入内部，因為這個是在代理的基礎上進一步實作的，我們先從一種最原生、最簡單的角度，來看一下代理的一些基本代碼。LangChain一個很核心的理念，就是它掌握了三個次元的内容，第一個是模型（Model）、第二個是資料（Data），第三個是工具（Tools），其中資料和工具可以籠統的認為是環境（Environment）層面的東西，由代理控制這三者。Gavin大咖微信：NLP_Matrix_Space

以下是一個“統計Shopify商店中的訂單數量”的案例，Shopify作為一個全球知名的電子商務平台，它擁有成千上萬的商家和數量龐大的商品資訊。首先，導入shopify等相關的庫。如果你對shopify感興趣，可以去看一下相關内容，也可以使用其他任意的工具，這裡的重點是如何具體使用代理，從應用的角度講，我們是談AutoGPT。

1. import os
2. import shopify
3. import pandas as pd
4. from dotenv import load_dotenv,find_dotenv
5. load_dotenv(find_dotenv())

以下代碼定義一個get_data函數，通過調用Shopify API，根據指定的對象名稱擷取資料。首先建立一個與Shopify API的會話，并激活該會話。然後，初始化一個空清單以存儲擷取到的資料。函數使用Python内置函數"getattr()"來擷取由"object_name"參數指定的Shopify對象的屬性。接着，使用"find()"方法檢索第一批資料，該方法使用"since_id"參數為0和"limit"參數為250。檢索到的資料被添加到"all_data"清單中，然後使用"has_next_page()"方法檢查是否還有更多的資料頁面需要檢索。如果有更多的頁面，函數使用"next_page()"方法檢索下一頁資料，并将檢索到的資料添加到"all_data"清單中。這個過程一直持續，直到沒有更多的資料頁面需要檢索。然後，函數傳回完整的檢索到的資料清單。這都是基本資訊的提取，本身也不會有什麼特殊的地方。

1. #從Shopify的REST API中提取資料的函數
2. def get_data(object_name):
3. api_session = shopify.Session(os.getenv('MERCHANT'),'2023-04',os.getenv('SHOPIFY_TOKEN'))
4. shopify.ShopifyResource.activate_session(api_session)
5. all_data=[]
6. attribute=getattr(shopify,object_name)
7. data=attribute.find(since_id=0, limit=250)
8. for d in data:
9. all_data.append(d)
10. while data.has_next_page():
11. data=data.next_page()
12. for d in data:
13. all_data.append(d)
14. return all_data
15. # Example: getting order data with the function
16. order_data=get_data('Order')

關鍵是看LangChain的部分，這邊有StructuredTool，也有ChatOpenAI，我們使用GPT-4模型，設定溫度（temperature）參數是0.2，有一定的随機性，但随機性并不高。Gavin大咖微信：NLP_Matrix_Space

1. # 導入基于GPT-4建立代理所需的StructuredTool和ChatOpenAI
2. from langchain.tools.base import StructuredTool
3. from langchain.chat_models import ChatOpenAI
4. chat = ChatOpenAI(model_name="gpt-4",temperature=0.2)

然後，定義一個get_shopify_insight函數，可以簡單的認為它是一個跟商品或者購物相關的API，用于擷取Shopify資料對象中的資料數量，并傳回該數量的字元串形式。該函數接受一個可選的字元串參數"shopify_object"，指定要檢索的Shopify資料對象的名稱，例如"Customer"、"Order"、"Product"和"Webhook"。如果未指定該參數，則預設為"Order"。函數使用一個名為"get_data()"的子函數來檢索指定資料對象的資料。随後，傳回資料清單的長度，以字元串形式表示。然後我們會把這個内容交給LangChain 提供的StructuredTool.from_function。

1. # 将get_data函數轉換為一個接收文本并傳回文本的新函數，
2. # 并從新函數中建立一個工具
3. from typing import Optional
4. def get_shopify_insight(
5. shopify_object: Optional[str] = None
6. ) -> str:
7. """統計給定Shopify資料對象的項目數的工具。有效的shopify_objects包括“Customer”、“Order”、“Product”和“Webhook”."""
8. object_name=(shopify_object or "Order")
9. data= get_data(object_name)
10. return str(len(data))
11. shopify_insights_tool = StructuredTool.from_function(get_shopify_insight)

有了shopify_insights_tool工具之後，傳入參數“Customer”，目的是調用該工具并計算作為字元串傳回的項。

1. #現在可以調用該工具并計算作為字元串傳回的項
2. shopify_insights_tool('Customer')

以下代碼使用了一個initialize_agent()函數，用于初始化一個代理鍊。代理鍊将一系列工具和一個聊天接口打包在一起，以便與使用者進行互動。第一個參數是工具，包含一個shopify_insights_tool，用于擷取Shopify資料對象中的資料數量。 第二個參數是模型，第三個參數是AgentType，這裡面有很多類型，這邊是STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION，第四個參數是verbose，指定為True，以便在控制台列印更多詳細資訊。

1. # 基于工具和聊天模型建立代理
2. from langchain.agents import initialize_agent, AgentType
3. tools = [shopify_insights_tool]
4. agent_chain = initialize_agent(tools,
5. chat, agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
6. verbose=True)
7. # 運作代理
8. agent_chain("Count the number of orders in the Shopify store")

這是一個非常好的例子，既能讓我們感受到代理的具體工作，從應用的角度講，又可以感受到 ReAct的内容。ReAct核心強調的是推理過程和行為過程之間的互動作用，Mrkl強調的是如何通過環境與環境的互動，帶來對模型性能的一種影響，這是一個非常好的架構。“統計Shopify商店中的訂單數量”的案例代碼，雖然它看上去是一個非常簡潔的代碼，跟shopify進行互動，但在這裡面已經使用了ReAct的方式，同時也使用了第三方工具，以及模型本身，這是我們看見對它的基本使用。