分類目錄：《大模型從入門到應(yīng)用》總目錄

LangChain系列文章：

• 基礎(chǔ)知識(shí)
• 快速入門
  • 安裝與環(huán)境配置
  • 鏈（Chains）、代理（Agent:）和記憶（Memory）
  • 快速開發(fā)聊天模型
• 模型（Models）
  • 基礎(chǔ)知識(shí)
  • 大型語言模型（LLMs）
    • 基礎(chǔ)知識(shí)
    • LLM的異步API、自定義LLM包裝器、虛假LLM和人類輸入LLM（Human Input LLM）
    • 緩存LLM的調(diào)用結(jié)果
    • 加載與保存LLM類、流式傳輸LLM與Chat Model響應(yīng)和跟蹤tokens使用情況
  • 聊天模型（Chat Models）
    • 基礎(chǔ)知識(shí)
    • 使用少量示例和響應(yīng)流式傳輸
  • 文本嵌入模型
    • Aleph Alpha、Amazon Bedrock、Azure OpenAI、Cohere等
    • Embaas、Fake Embeddings、Google Vertex AI PaLM等
• 提示（Prompts）
  • 基礎(chǔ)知識(shí)
  • 提示模板
    • 基礎(chǔ)知識(shí)
    • 連接到特征存儲(chǔ)
    • 創(chuàng)建自定義提示模板和含有Few-Shot示例的提示模板
    • 部分填充的提示模板和提示合成
    • 序列化提示信息
  • 示例選擇器（Example Selectors）
  • 輸出解析器（Output Parsers）
• 記憶（Memory）
  • 基礎(chǔ)知識(shí)
  • 記憶的類型
    • 會(huì)話緩存記憶、會(huì)話緩存窗口記憶和實(shí)體記憶
    • 對(duì)話知識(shí)圖譜記憶、對(duì)話摘要記憶和會(huì)話摘要緩沖記憶
    • 對(duì)話令牌緩沖存儲(chǔ)器和基于向量存儲(chǔ)的記憶
  • 將記憶添加到LangChain組件中
  • 自定義對(duì)話記憶與自定義記憶類
  • 聊天消息記錄
  • 記憶的存儲(chǔ)與應(yīng)用
• 索引（Indexes）
  • 基礎(chǔ)知識(shí)
  • 文檔加載器（Document Loaders）
  • 文本分割器（Text Splitters）
  • 向量存儲(chǔ)器（Vectorstores）
  • 檢索器（Retrievers）
• 鏈（Chains）
  • 基礎(chǔ)知識(shí)
  • 通用功能
    • 自定義Chain和Chain的異步API
    • LLMChain和RouterChain
    • SequentialChain和TransformationChain
    • 鏈的保存（序列化）與加載（反序列化）
  • 鏈與索引
    • 文檔分析和基于文檔的聊天
    • 問答的基礎(chǔ)知識(shí)
    • 圖問答（Graph QA）和帶來源的問答（Q&A with Sources）
    • 檢索式問答
    • 文本摘要（Summarization）、HyDE和向量數(shù)據(jù)庫的文本生成
• 代理（Agents）
  • 基礎(chǔ)知識(shí)
  • 代理類型
  • 自定義代理（Custom Agent）
  • 自定義MRKL代理
  • 帶有ChatModel的LLM聊天自定義代理和自定義多操作代理（Custom MultiAction Agent）
  • 工具
    • 基礎(chǔ)知識(shí)
    • 自定義工具（Custom Tools）
    • 多輸入工具和工具輸入模式
    • 人工確認(rèn)工具驗(yàn)證和Tools作為OpenAI函數(shù)
  • 工具包（Toolkit）
  • 代理執(zhí)行器（Agent Executor）
    • 結(jié)合使用Agent和VectorStore
    • 使用Agents的異步API和創(chuàng)建ChatGPT克隆
    • 處理解析錯(cuò)誤、訪問中間步驟和限制最大迭代次數(shù)
    • 為代理程序設(shè)置超時(shí)時(shí)間和限制最大迭代次數(shù)和為代理程序和其工具添加共享內(nèi)存
  • 計(jì)劃與執(zhí)行
• 回調(diào)函數(shù)（Callbacks）

有些應(yīng)用程序不僅需要預(yù)先確定的LLM或其他工具調(diào)用鏈，而且可能需要根據(jù)用戶輸入的不同而產(chǎn)生不同的鏈條。在這些類型的鏈條中，有一個(gè)“代理”可以訪問一套工具。根據(jù)用戶輸入，代理可以決定是否調(diào)用其中任何一個(gè)工具。在本文中，我們首先“快速入門”代理，介紹如何以端到端的方式使用與代理相關(guān)的所有內(nèi)容。

代理使用LLM來確定采取哪些行動(dòng)以及順序。 一個(gè)動(dòng)作可以是使用工具并觀察其輸出，或返回給用戶。當(dāng)代理被正確使用時(shí)，它們可以非常強(qiáng)大。本文的目的是向您展示如何通過最簡(jiǎn)單、最高級(jí)別的API輕松使用代理。為了使用代理，我們應(yīng)該搜下了解以下概念：

• 工具（Tools）：執(zhí)行特定任務(wù)的功能，即有關(guān)預(yù)定義工具及其規(guī)范的列表。這可以是Google 搜索、數(shù)據(jù)庫查找、 Python REPL、其他鏈。工具的接口目前是一個(gè)函數(shù)，預(yù)計(jì)將有一個(gè)字符串作為輸入，一個(gè)字符串作為輸出。
• 大語言模型（LLM）：為代理提供動(dòng)力的語言模型。
• 代理（Agents）：要使用的代理，即有關(guān)受支持的Agent及其規(guī)范的列表。這應(yīng)該是引用支持代理類的字符串。因?yàn)楸疚闹饕P(guān)注最簡(jiǎn)單、最高級(jí)別的API，所以它只涉及使用標(biāo)準(zhǔn)支持的代理。如果要實(shí)現(xiàn)自定義代理，可以參考《自然語言處理從入門到應(yīng)用——LangChain：代理（Agents）》系列后續(xù)文章。

from langchain.agents import load_tools
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain.llms import OpenAI

首先，讓我們加載我們要使用的語言模型來控制代理。

llm = OpenAI(temperature=0)

接下來，我們加載一些要使用的工具。請(qǐng)注意，llm-math工具使用LLM，因此我們需要傳遞它：

tools = load_tools(["serpapi", "llm-math"], llm=llm)

最后，我們使用工具、語言模型和我們想要使用的代理類型初始化一個(gè)代理：

agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

測(cè)試代理：

agent.run("Who is Leo DiCaprio's girlfriend? What is her current age raised to the 0.43 power?")

輸出：

> Entering new AgentExecutor chain...
 I need to find out who Leo DiCaprio's girlfriend is and then calculate her age raised to the 0.43 power.
Action: Search
Action Input: "Leo DiCaprio girlfriend"
Observation: Camila Morrone
Thought: I need to find out Camila Morrone's age
Action: Search
Action Input: "Camila Morrone age"
Observation: 25 years
Thought: I need to calculate 25 raised to the 0.43 power
Action: Calculator
Action Input: 25^0.43
Observation: Answer: 3.991298452658078
 
Thought: I now know the final answer
Final Answer: Camila Morrone is Leo DiCaprio's girlfriend and her current age raised to the 0.43 power is 3.991298452658078.
 
> Finished chain.

參考文獻(xiàn)：
[1] LangChain ????? 中文網(wǎng)，跟著LangChain一起學(xué)LLM/GPT開發(fā)：https://www.langchain.com.cn/
[2] LangChain中文網(wǎng) - LangChain 是一個(gè)用于開發(fā)由語言模型驅(qū)動(dòng)的應(yīng)用程序的框架：http://www.cnlangchain.com/文章來源地址http://www.zghlxwxcb.cn/news/detail-547193.html

到了這里，關(guān)于自然語言處理從入門到應(yīng)用——LangChain：代理（Agents）-[基礎(chǔ)知識(shí)]的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！