Как получить доступ к промежуточным шагам агента в LangChain?

Краткое описание

Этот пост продемонстрирует следующее:

• Как получить доступ к промежуточным шагам агента в LangChain
• Установка фреймворков
• Настройка среды OpenAI
• Импорт библиотек
• Строительство LLM и агент
• Использование агента
• Способ 1: тип возвращаемого значения по умолчанию для доступа к промежуточным шагам
• Метод 2: использование «дампов» для доступа к промежуточным шагам
• Заключение

Как получить доступ к промежуточным шагам агента в LangChain?

Чтобы построить агент в LangChain, пользователю необходимо настроить его инструменты и структуру шаблона, чтобы получить количество шагов, участвующих в модели. Агент отвечает за автоматизацию промежуточных шагов, таких как мысли, действия, наблюдения и т. д. Чтобы узнать, как получить доступ к промежуточным шагам агента в LangChain, просто выполните перечисленные шаги:

Шаг 1: Установка фреймворков

Прежде всего, просто установите зависимости LangChain, выполнив следующий код в Блокноте Python:

Установите модуль OpenAI, чтобы получить его зависимости, используя команду пункт команду и используйте их для построения языковой модели:

Шаг 2. Настройка среды OpenAI

После установки модулей настройте среда OpenAI используя ключ API, сгенерированный из его учетной записи:

Шаг 3. Импорт библиотек

Теперь, когда у нас установлены зависимости, используйте их для импорта библиотек из LangChain:

Шаг 4: Создание LLM и агента

После того как библиотеки импортированы, пришло время использовать их для построения языковой модели и инструментов для агента. Определите переменную llm и назначьте ее с помощью метода OpenAI(), содержащего аргументы «температура» и «имя_модели». « инструменты Переменная ” содержит метод load_tools() с инструментами SerpAPi и llm-math, а также языковую модель в своем аргументе:

После настройки языковой модели и инструментов просто спроектируйте агент для выполнения промежуточных шагов, используя инструменты языковой модели:

Шаг 5: Использование агента

Теперь протестируйте агента, задав вопрос на входе метода агента() и выполнив его:

Модель эффективно поработала, чтобы узнать имя девушки Лео Ди Каприо, ее возраст, возраст Лео Ди Каприо и разницу между ними. На следующем снимке экрана показано несколько вопросов и ответов, которые агент искал для получения окончательного ответа:

На приведенном выше снимке экрана не показана работа агента и то, как он доходит до этапа поиска всех ответов. Давайте перейдем к следующему разделу, чтобы найти шаги:

Способ 1: тип возвращаемого значения по умолчанию для доступа к промежуточным шагам

Первый метод доступа к промежуточному шагу — использование типа возвращаемого значения по умолчанию, предлагаемого LangChain, с использованием следующего кода:

Следующий GIF-изображение отображает промежуточные шаги в одной строке, что не совсем хорошо с точки зрения читабельности:

Метод 2: использование «дампов» для доступа к промежуточным шагам

Следующий метод объясняет другой способ получения промежуточных шагов с использованием библиотеки дампа из платформы LangChain. Используйте метод dumps() с аргументом Pretty, чтобы сделать вывод более структурированным и удобным для чтения:

Теперь у нас есть выходные данные в более структурированной форме, которая легко читается пользователем. Он также разделен на несколько разделов, чтобы сделать его более понятным, и каждый раздел содержит шаги для поиска ответов на вопросы:

Вот и все, что касается доступа к промежуточным шагам агента в LangChain.

Заключение

Для доступа к промежуточным шагам работы агента в LangChain установите модули импорта библиотек для построения языковых моделей. После этого настройте инструменты для инициализации агента, используя инструменты, llm и тип агента, который может отвечать на вопросы. После настройки агента протестируйте его, чтобы получить ответы, а затем используйте тип по умолчанию или библиотеку дампов для доступа к промежуточным шагам. В этом руководстве подробно описан процесс доступа к промежуточным шагам агента в LangChain.