Agents
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;">一、ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.034em;">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.578px;text-align: center;">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.578px;text-align: center;">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.034em;">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.578px;text-align: center;">Agents的本质ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);letter-spacing: 0.034em;outline: 0px;text-align: start;text-indent: 0em;visibility: visible;">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);letter-spacing: 0.034em;text-indent: 0em;outline: 0px;visibility: visible;">
Agents是什么？
基于语言模型的决策：LangChain Agents以语言模型为核心，使其能够理解和执行自然语言或类似自然语言的指令。这种能力让Agents可以灵活地适应不同的任务和环境，无需硬编码特定的逻辑。
可组合性与扩展性：LangChain框架注重Agents的可组合性和系统的扩展性。Agents可以通过组合各种工具和模块（如数据检索、信息提取、API调用等）来扩展其功能。这种设计方式不仅简化了维护和更新过程，还促进了代码和知识的重用。
学习与适应性：结合机器学习技术（如强化学习），Agents可以从经验中学习并优化其行为策略，以应对复杂和动态变化的环境，从而提高性能和效率。
AgentsIntroduction
Agents由几个部分组成。
模式（Schema）：是一组规则和结构，定义了代理如何与外部工具进行交互、执行动作以及管理任务状态，从而实现智能的多步骤推理和决策。主要包括AgentAction、Intermediate Steps、AgentFinish。
代理（Agent）: 负责决策下一个动作的实体。代理使用语言模型、提示和输出解析器来支持其决策过程。主要包括Agent Inputs、Agent Outputs。
代理执行器（AgentExecutor）: 负责运行代理并管理其与外部工具的交互。执行器处理复杂性，如工具错误处理、日志记录等。
工具（Tools）: 代理可以调用的函数或服务。每个工具都有一个输入模式和一个关联的函数，用于描述如何调用该工具以及实际执行的操作。
工具包（Toolkits）: 相关工具的集合，用于完成特定任务。例如，GitHub 工具包可能包含用于搜索问题、读取文件、发表评论等的工具。
Agents组成部分
Agents能干什么？
Agent System由多个协作的智能代理构成，这些代理能自主行动、响应环境、与其他代理或用户交互，并根据目标、规则和知识执行任务或决策。
在Lilian Weng的博客中，她阐述了以LLM为核心的AI Agents系统，其中LLM负责推理、决策和生成语言，还需结合规划、记忆和工具使用等关键组件来完善功能。
规划（Planning）：规划能力使得代理能够将复杂的任务分解成更小、更可管理的子目标。这有助于代理在面对复杂任务时能够有条不紊地执行。同时，代理还具备反思和细化的能力，可以从过去的经验中学习并改进未来的行为。
记忆（Memory）：记忆能力是代理系统中的重要组成部分。短期记忆允许代理在处理任务时保持上下文信息的一致性，而长期记忆则使得代理能够存储和回忆以前的知识和经验。这种记忆能力对于实现持续学习和适应新环境至关重要。
工具使用（Tool Use）：工具使用能力允许代理调用外部API来获取额外信息或执行特定操作。这些信息可能是模型权重中缺少的，但对于完成任务至关重要。通过调用外部工具，代理可以扩展其功能并适应更广泛的应用场景。
LangChain Agent Ecosystem
二、Agents的原理
接收任务：LLM Agent首先接收一个任务描述或问题。
思考：然后，它利用LLM进行推理和决策。例如，它可能会生成一个潜在的解决方案或行动计划。
行动：接下来，LLM Agent会执行一些操作以完成任务。这些操作可能包括调用API获取数据、查询数据库、执行计算等。
接收反馈：在执行操作后，LLM Agent会接收来自环境的反馈。这些反馈可能包括API的响应、数据库查询的结果等。
如果任务还没有完成，LLM Agent会重复上述步骤，直到任务完成或达到某个终止条件。
Agents的工作流程
Agent Types：在LangChain中，Agent Types定义了不同类型的代理（Agents），这些代理使用不同的策略和方法来与用户和工具进行交互，以完成各种任务。
Zero-shot ReAct：
这种Agent使用ReAct（Retrieve-and-Act）框架，该框架通过理解工具的描述来选择最合适的工具执行任务。Zero-shot意味着Agent不需要针对特定任务进行训练，而是可以基于工具的描述直接进行推断。
Structured tool chat：
这种Agent支持使用具有复杂输入参数的工具。通过定义args_schema，Agent可以理解每个工具所需输入参数的结构和类型，从而与用户进行更结构化的对话以收集必要的信息。这有助于确保与工具的交互是准确和一致的。
Conversational：
与标准ReAct Agent相比，Conversational Agent更注重与用户进行自然对话。它的提示和响应设计得更加对话性，适合在聊天场景中使用。
Self-ask with search：
这种Agent类型集成了搜索功能，允许它自主地在搜索引擎中查找信息以回答问题。这增加了Agent的知识来源和回答问题的能力。
ReAct document store：
使用这种Agent，用户可以与一个文档存储进行交互。该Agent包含两个关键工具：“Search”用于在文档存储中搜索相关文档，“Lookup”用于在最近找到的文档中查找特定术语或信息。
XML Agent：
XML Agent专门用于处理XML格式的数据。它使用XML格式来解析工具调用和最终答案，这使得它特别适合与返回XML响应的工具或服务进行交互。
Agent Chain
三、Agents的应用
工具链
Agents
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |