一：基本流程和概念

（一）概念

在Chain中，一系列动作是硬编码在代码中的。
在Agent中，大语言模型被用作推理引擎，以确定要采取的动作及其顺序。

• 规划：将任务分解为较小的子目标
• 记忆：短期（聊天历史）/ 长期（向量存储）
• 工具使用：可以利用不同的工具来扩展其功能。

（二）基本流程

工具定义--->定义工具集--->定义prompt--->创建模型实例--->创建Agent（传递进入llm、tools、prompt）--->创建Agent Executor

1.工具定义（这里以Serp搜索工具、自定义工具、RAG检索工具为例）

• Serp搜索

from langchain_community.utilities import SerpAPIWrapper
search = SerpAPIWrapper()
res= search.run("周星驰生日那天是星期几")
print(res)

#三方api
search = SerpAPIWrapper() #搜索引擎
Tool.from_function(
    func=search.run,
    name="Search",
    description="useful for when you need to answer questions about current events" #问一下实时的事情
)

#内部的封装好的
tool = load_tools(["serpapi"])[0]

• 自定义tool：最常用扩展方式

from datetime import datetime
from langchain_core.tools import tool

#函数自定义
@tool("weekday")
def weekday(date_str:str) -> str:
    """Convert date to weekday name"""
    date_object = datetime.strptime(date_str, '%Y-%m-%d')
    weekday_number = date_object.weekday()
    weekdays = ['星期一','星期二','星期三','星期四','星期五','星期六','星期日']
    return weekdays[weekday_number]

print(weekday("2024-07-08"))

• 创建RAG检索工具（里面有调用大模型编码api）

from langchain.tools.retriever import create_retriever_tool

retriever_tool = create_retriever_tool(
    retriever=retriever,
    name="movie_search",
    description="按电影发布年份搜索关于周星驰的电影,并且查询关于周星驰扮演的角色,对于这种类型的问题,you must use this tool!",
)

2.定义工具集

tools = [searchTool,weekday,retriever_tool]

3.定义prompt

#pip install langchainhub
from langchain import hub
prompt = hub.pull("hwchase17/openai-functions-agent")

[
    SystemMessagePromptTemplate(
        prompt=PromptTemplate(input_variables=[], template='You are a helpful assistant')),
    MessagesPlaceholder(
        variable_name='chat_history', optional=True),
    HumanMessagePromptTemplate(
        prompt=PromptTemplate(input_variables=['input'], template='{input}')),
    MessagesPlaceholder(variable_name='agent_scratchpad')
]

4.创建模型实例

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

5.创建Agent（传递进入llm、tools、prompt）：这里以create_openai_tools_agent为例

from langchain.agents import create_openai_tools_agent

agent = create_openai_tools_agent(llm, tools, prompt)

6.创建Agent Executor

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
#设置 verbose=True，以观察 Agent 调用过程

（三）调用实例

1.不需要调用tool

res = agent_executor.invoke({"input": "hi!"})
print(res)

2.调用search工具

res = agent_executor.invoke({"input": "周星驰是谁?"})
print(res)

3.调用search和weekday工具

res = agent_executor.invoke({"input": "周星驰的生日是星期几"})
print(res)

4.调用 RAG 检索工具

res = agent_executor.invoke({"input": "周星驰在2004年主演了什么电影？饰演的角色叫什么？"})
print(res)

二：增加记忆力

class Runnable(Generic[Input, Output], ABC)
/ \
 |
 |
 |
class RunnableSerializable(Serializable, Runnable[Input, Output]) 
/ \
 |
 |
 |
class Chain(RunnableSerializable[Dict[str, Any], Dict[str, Any]], ABC)
/ \
 |
 |
 |
 class AgentExecutor(Chain)

我们可以看到agent继承chain，两者都是Runnable的子类，可以参考LangChain补充二：LCEL和Runnable更加方便的创建调用链RunnableWithMessageHistory，实现上下文的处理

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

message_history = ChatMessageHistory()
agent_with_chat_history = RunnableWithMessageHistory(
    agent_executor,
    lambda session_id: message_history,    #这里没有考虑session_id，对话只维护一个历史
    input_messages_key="input",
    history_messages_key="chat_history",    #prompt指定了占位
)

agent_with_chat_history.invoke(
    {"input": "周星驰在2004年主演了什么电影"},
    config={"configurable": {"session_id": "1"}},
)


agent_with_chat_history.invoke(
    {"input": "饰演了什么角色呢？"},
    config={"configurable": {"session_id": "1"}},
)

三：LangChain的代理对比

补充：Structured Chat 和 JSON Chat 的区别在于对 tool 入参类型的支持上，参数越多，LLM 对工具的学习成本就会越高，Agent 有可能会越不稳定。

@tool
def search(query: str) -> str:
    """Look up things online."""
    return "LangChain"

@tool
def multiply(a: int, b: int) -> int:
    """Multiply two numbers."""
    return a * b