1 适用场景
需要多步组合、选择路径的复杂问题。 该问题可以被拆分成多个子模块，每个子模块都能清晰地定义输入、输出和功能，并能判断是否达成目标。 可能感觉有解决的方法，但不能确定具体的每一步方法。 可能存在多种组合方式，而不仅限于单一的方法，并且我们无法确定最优的解决方案。 对于单个模块而言，只需将接口描述清楚，无需过多考虑它与其他模块之间的调用关系。
2 原理
Thought->Action->Observation (Repeated many times)。
代理根据用户输入及当前状态选择一个动作，执行该动作并观察结果，然后继续下一个动作。
有了代理，就不需要手动编写 if/else 逻辑了，只需将选项提供给模型，让其进行判断。
3 langchain agent
Langchain 本身提供一些工具，例如 Google 搜索、GitHub 和 Python 等。如果需要自己实现工具，则需要继承 BaseTool 类，并实现 run 方法。模型根据工具的描述调用相应的方法，并观察其返回结果。
3.1.1 类别
计划代理：通过 llm 制定计划 执行代理：通过 llm 和 tools 实现计划
3.1.2 Chain 与 Agent 的差别
Chain 和 Agent 都用于解决多步问题。Chain 是静态的，过程是事先设计好的；而 Agent 则是动态的，由大模型来决策整个过程。
4 示例
from langchain.llms import ChatGLMfrom langchain.experimental.plan_and_execute import PlanAndExecute, load_agent_executor, load_chat_plannerfrom tools import LlmModelTool, VectorSearchTool endpoint_url = "http://12.0.59.21:8888"llm = ChatGLM( endpoint_url=endpoint_url, max_token=80000, history=[], model_kwargs={"sample_model_args": False}, temperature=0.95) tools = [LlmModelTool(), VectorSearchTool()] planner = load_chat_planner(llm)executor = load_agent_executor(llm, tools, verbose=True) agent = PlanAndExecute(planner=planner, executor=executor, verbose=True)agent.run(input="请帮我制定一份4月去云南旅游的计划")
5 想法和启发
| 
