Kako implementirati logiko ReAct z uporabo agenta v LangChainu?

Hitri oris

Ta objava bo pokazala:

• Kako implementirati logiko ReAct z uporabo agenta v LangChain
• Namestitev okvirjev
• Nalaganje jezikovnega modela
• 1. način: Uporaba izraznega jezika LandChain
• Gradbeni agent
• 2. način: uporaba ZeroShotReactAgent
• 3. način: Uporaba modelov klepeta
• Gradnja agenta
• 4. način: Uporaba ChatZeroShotReactAgent
• Zaključek

Kako implementirati logiko ReAct z uporabo agenta v LangChainu?

' ReAct « je kombinacija faz razloga in dejanja za izboljšanje učinkovitosti jezikovnega modela kot » Re ' se nanaša na razum in ' dejanje ” k dejanjem. Logika ReAct se pogosto šteje za najbolj optimizirano za izdelavo LLM-jev ali chatbotov za razumevanje in ustvarjanje besedila. Agent je odločevalec, ki se odloči, katera dejanja bo izvedel in v kakšnem vrstnem redu bo izveden.

Če se želite naučiti postopka izvajanja logike ReAct z uporabo agenta v LangChainu, preprosto preglejte ta vodnik:

1. korak: Namestitev ogrodij

Najprej namestite LangChain, da začnete s postopkom izvajanja logike ReAct:

Namestite modul google-search-results, da pridobite odvisnosti za gradnjo agenta, ki lahko pridobi rezultate iskanja iz Googla:

Po tem namestite module OpenAI, ki jih lahko uporabite za nalaganje velikih jezikovnih modelov ali LLM-jev za implementacijo logike ReAct:

Ko dobite vse zahtevane module, preprosto nastavite okolje OpenAI za gradnjo LLM in okolje SerpAPI za uporabo agenta v modelu:

2. korak: Nalaganje jezikovnega modela

Naslednji korak je nalaganje jezikovnih modelov z uvozom zahtevanih knjižnic z uporabo ogrodja LangChain:

Uporabite metodo OpenAI(), da zgradite jezikovni model (llm) in nato konfigurirate orodja za agente z uporabo SerpAPI:

1. način: Uporaba izraznega jezika LandChain

LCEL je proces integracije ali sestavljanja verig med gradnjo jezikovnih modelov v LangChain. Začnite postopek z namestitvijo LangChainHub, da dobite njegove odvisnosti za gradnjo in uporabo logike ReAct z agenti v LangChain:

Uvažanje knjižnic iz LangChaina, kot je ReActSingleInputOutputParser, za izdelavo modela, ki lahko uporablja model ReAct:

Naložite jezikovni model za oblikovanje logike ReAct z uporabo metode pull() in ga shranite v spremenljivko poziva. Določite nekaj orodij, ki jih je mogoče uporabiti za implementacijo logike na naloženem nizu podatkov za implementacijo njegovega dela s agentom:

Gradbeni agent

Zdaj konfigurirajte posrednika in njegova orodja tako, da jih integrirate z jezikovnim modelom, naloženim v 2. koraku tega vodnika:

Definirajte spremenljivko agenta, da zagotovite argumente in orodja za konfiguracijo agenta, ki pojasnjujejo njegovo delovanje. Prej konfigurirani deli, kot sta llm_with_stop in metoda ReActSingleInputOutputParser(), se integrirajo z agentom:

Pridobite knjižnico AgentExecutor in konfigurirajte njeno metodo z uporabo argumentov, kot so agent, tools in verbose, da dobite bolj berljiv rezultat:

Prikličite metodo agent_executor() s poizvedbo niza kot vhodom, ki bo agentu sprožil ekstrahiranje izhoda:

Izhod

Naslednji posnetek zaslona prikazuje, da je agent pridobil informacije z logiko ReAct in ustvaril besedilo v naravnem jeziku:

2. način: uporaba ZeroShotReactAgent

Logiko ReAct je mogoče implementirati tudi z uporabo drugega agenta, kot je ZeroShotReactAgent, med konfiguriranjem spremenljivke agent_executor. Po tem preprosto pokličite spremenljivko agent_executor z vprašanjem kot vhodom za priklic agenta:

Izhod

Agent je pridobil informacije na podlagi vnosa, ki je bil vprašan med priklicem agent_executor:

3. način: Uporaba modelov klepeta

Drug postopek, ki ga je mogoče uporabiti za implementacijo logike ReAct z uporabo modelov klepeta po uvozu knjižnice ChatOpenAI:

Zgradite model klepeta z metodo ChatOpenAI() z vrednostjo temperature enako 0, ki lahko nadzira naključnost v rezultatih modela:

Naložite model, na katerem lahko uporabnik implementira logiko ReAct, da ga shranite v spremenljivko poziva in konfigurirajte orodja, ki bodo uporabljena v procesu:

Gradnja agenta

Uporabite model klepeta za shranjevanje opažanj ali nedavnih sporočil, ko model preneha ustvarjati besedilo:

Pridobite knjižnico ReActJsonSingleInputOutputParser za implementacijo logike ReAct in ustvarjanje rezultatov v formatu JSON:

Zgradite in konfigurirajte agenta z uporabo spremenljivke chat_model in metode za ustvarjanje rezultatov s klicem agenta:

Konfigurirajte agent_executor in ga zaženite, da dobite rezultate na podlagi poizvedbe v vhodni spremenljivki:

Izhod

Agent je izvlekel izhod, kot je prikazan na naslednjem posnetku zaslona:

4. način: Uporaba ChatZeroShotReactAgent

Spreminjanje vrednosti agenta se lahko uporabi tudi za implementacijo logike ReAct z ogrodjem LangChain:

Izhod

Izhodna struktura vsebuje podrobne informacije o delovanju agenta iz žetonov in modela, uporabljenega za pridobivanje informacij:

To je vse o procesu izvajanja logike ReAct z uporabo agenta v LangChainu.

Zaključek

Če želite implementirati logiko ReAct z agentom, ki uporablja ogrodje LangChain, namestite module, kot je google-search-results, da konfigurirate agenta. Po tem nastavite okolje s poverilnicami OpenAI in SerpAPI iz njihovih računov, da začnete uporabljati model. Logiko ReAct je mogoče implementirati z uporabo LCEL in modelov klepeta z več agenti, ki jih ponuja modul LangChain. Ta priročnik je podrobneje predstavil implementacijo logike ReAct z uporabo agenta v LangChain.