链载Ai

标题: 今天先和大家一起从零实现 AI 代理，只用到 Python 和 OpenAI [打印本页]

作者: 链载Ai 时间: 昨天 10:21
标题: 今天先和大家一起从零实现 AI 代理，只用到 Python 和 OpenAI

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;margin: 1em 8px;letter-spacing: 0.1em;color: rgb(33, 37, 41);padding: 8px 12px;background: rgba(237, 242, 255, 0.8);border-radius: 8px;">说起 Agent 框架，大家可能觉得很复杂吧，其实核心逻辑很简单，简单的让你觉得不是 Agent。今天先和大家一起从零实现 AI 代理，只用到 Python 和 OpenAI。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 20px;font-weight: bold;display: table;margin: 2em auto 1.5em;padding-top: 6px;padding-bottom: 6px;padding-left: 16.7448px;background-image: linear-gradient(135deg, rgb(113, 23, 234), rgba(113, 23, 234, 0.667), rgba(234, 96, 96, 0.533), rgba(217, 57, 205, 0.267), rgba(217, 57, 205, 0));background-position: initial;background-size: initial;background-repeat: initial;background-attachment: initial;background-origin: initial;background-clip: initial;color: rgb(255, 255, 255);border-radius: 8px;width: 318.247px;">ReAct

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;margin: 1em 8px;letter-spacing: 0.1em;color: rgb(33, 37, 41);padding: 8px 12px;background: rgba(237, 242, 255, 0.8);border-radius: 8px;">我们用 ReAct 来实现 AI 代理。 ReAct 是「Reason - Act」的意思。

•用户给出问题
•AI 分析原因
•调用工具行动
•观察行动结果

•如果满足问题，那么就结束了
•如果不满足，重复第二步，最后直到问题的解决。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 20px;font-weight: bold;display: table;margin: 2em auto 1.5em;padding-top: 6px;padding-bottom: 6px;padding-left: 16.7448px;background-image: linear-gradient(135deg, rgb(113, 23, 234), rgba(113, 23, 234, 0.667), rgba(234, 96, 96, 0.533), rgba(217, 57, 205, 0.267), rgba(217, 57, 205, 0));background-position: initial;background-size: initial;background-repeat: initial;background-attachment: initial;background-origin: initial;background-clip: initial;color: rgb(255, 255, 255);border-radius: 8px;width: 318.247px;">实现

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;overflow-x: auto;border-radius: 8px;margin: 10px 8px;">importopenai
importre
importhttpx
importos
fromdotenvimportload_dotenv

_=load_dotenv()
fromopenaiimportOpenAI

client=OpenAI()

简答测试一下问答能力，

chat_completion=client.chat.completions.create(
model="gpt-3.5-turbo",
messages=[{"role":"user","content":"Helloworld"}]
)
chat_completion.choices[0].message.content

可能会输出：

'你好，您需要什么帮助？'

Agent 类

下面实现一个 Python Agent 代理类，我们后面的代理都基于这个类实现。__call__表示对象本身的调用。

classAgent:
def__init__(self,system=""):
self.system=system
self.messages=[]
ifself.system:
self.messages.append({"role":"system","content":system})

def__call__(self,message):
self.messages.append({"role":"user","content":message})
result=self.execute()
self.messages.append({"role":"assistant","content":result})
returnresult

defexecute(self):
completion=client.chat.completions.create(
model="gpt-4o",
temperature=0,
messages=self.messages)
returncompletion.choices[0].message.content

我们使用gpt-40模型，并定义了一个execute方法，来调用大模型。

编写提示语，这个提示语完成了 ReAct 指令，我们如果要自行实现 Agent，都可以以这个提示语为模块进行修改和扩展：

prompt="""
你在一个思考、行动、暂停、观察的循环中运行。
在循环结束时，你输出一个答案
使用思考来描述你对所问问题的想法。
使用行动来运行其中一个可用的操作-然后返回暂停。
观察将是运行这些操作的结果。

你可用的操作是：

计算：
例如计算：4*7/3
运行计算并返回数字-使用Python，因此请确保在必要时使用浮点语法

平均狗体重：
例如平均狗体重：牧羊犬
在给定品种的情况下返回狗的平均体重

示例会话：

问题：斗牛犬的体重是多少？
想法：我应该使用average_dog_weight来查看狗的体重
动作：average_dog_weight：斗牛犬
暂停

您将再次收到以下信息：

观察：斗牛犬重51磅

然后您输出：

答案：斗牛犬重51磅
""".strip()

定义 Action

思考和推理有了，记下来我们定一下动作。Agent 有了行动的能力，无论是执行函数还是调用工具， Agent 才完整。

定义两个动作进行运算或者计算平均体重：

•calculate
•average_dog_weight

把所有的动作到放到known_actions里面，这样我们就可以根据动作名称执行相应的动作了。

defcalculate(what):
returneval(what)

defaverage_dog_weight(name):
ifnamein"ScottishTerrier":
return("ScottishTerriersaverage20lbs")
elifnamein"BorderCollie":
return("aBorderColliesaverageweightis37lbs")
elifnamein"玩具贵宾犬":
return("玩具贵宾犬的平均体重为7磅")
else:
return("Anaveragedogweights50lbs")

known_actions={
"calculate":calculate,
"average_dog_weight":average_dog_weight
}

Agent 实例

提问玩具贵宾犬的重量：

abot=Agent(prompt)
result=abot("玩具贵宾犬有多重？")
print(result)

根据我们的提示语，可以看到

想法：我应该使用平均狗体重动作来查找玩具贵宾犬的平均体重。
动作：average_dog_weight：玩具贵宾犬
暂停

可以看到，Agent 返回了动作average_dog_weight，我们手动调用一下这个方法：

result=average_dog_weight("玩具贵宾犬")

得到输出：

玩具贵宾犬的平均体重为7磅

我们把观察到的结果发送给 Agent:

next_prompt="Observation:{}".format(result)
abot(next_prompt)

查看最终结果abot.messages[-1]：

{'role':'assistant',
'content':'Answer:玩具贵宾犬的平均体重为7磅'}

到这里，我们就重现了一次 ReAct 的整个过程，但是每种不足的是，调用现实世界函数是我们手动调用的。

也就是每次观察 LLM 输出，再反馈给 Agent 都要手动参与，也就是average_dog_weight这一步。

自动调用

如果把 Agent 支持的函数都改成自动调用，那么 Agent 不就可以自己做事情了么。

我们编写一个循环，用正则解析LLM回答，最大尝试次数为 5 ，自动进行上面的步骤。

action_re=re.compile('^Action\w+).*)$')#pythonregularexpressiontoselectionaction
defquery(question,max_turns=5):
i=0
bot=Agent(prompt)
next_prompt=question
whilei<max_turns:
i+=1
result=bot(next_prompt)
print(result)
actions=[
action_re.match(a)
forainresult.split('\n')
ifaction_re.match(a)
]
ifactions:
#Thereisanactiontorun
action,action_input=actions[0].groups()
ifactionnotinknown_actions:
raiseException("Unknownaction:{}:{}".format(action,action_input))
print("--running{}{}".format(action,action_input))
observation=known_actions[action](action_input)
print("Observation:",observation)
next_prompt="Observation:{}".format(observation)
else:
return

再一次进行提问：

question="""我有两只狗，一只边境牧羊犬和一只苏格兰梗犬。
它们的总体重是多少"""
query(question)

可以看到大致如下的输出：

想法：我需要找到边境牧羊犬和苏格兰梗的平均体重，然后将它们加在一起得到总体重。
动作：average_dog_weight：边境牧羊犬
暂停
--运行average_dog_weight边境牧羊犬
观察：边境牧羊犬的平均体重为37磅
想法：现在我需要找到苏格兰梗的平均体重。
动作：average_dog_weight：苏格兰梗
暂停
--运行average_dog_weight苏格兰梗
观察：苏格兰梗平均体重20磅
想法：我现在知道了两只狗的平均体重。我将把它们加在一起得到总体重。
动作：计算：37+20
暂停
--运行计算37+20
观察：57
答案：边境牧羊犬和苏格兰梗的总体重为57磅。

这个过程是不是很熟悉，和 LangChain 的调用过程基本一致。

总结

前面演示的例子是不是看起来挺玩具的。

其实原理都没有太多变化，基于这个应用你就可以扩展出来很多实用或者有趣的东西。

•比如你想查询天气，可以写一个get_weature的行为，
•如果你每天的工作日志都存下来并且可查，就可以实现一个自动编写发送周报的行为，
•对接地图API，查询交通情况，
•物联网对接，控制家里的电器开关。

换句话说，用程序能做的事情大致都可以用自然语言和大模型在外面包装一层，形成 Agent 的能力。

当然，这还只是开始。

--- END ---

欢迎光临链载Ai (https://www.lianzai.com/)