Как реализовать логику ReAct с помощью агента в LangChain?

Краткое описание

Этот пост продемонстрирует:

• Как реализовать логику ReAct с помощью агента в LangChain
• Установка фреймворков
• Загрузка языковой модели
• Метод 1: использование языка выражений LandChain
• Строительный агент
• Способ 2: использование ZeroShotReactAgent
• Способ 3: использование моделей чата
• Создание агента
• Способ 4: использование ChatZeroShotReactAgent
• Заключение

Как реализовать логику ReAct с помощью агента в LangChain?

« Реакт » представляет собой сочетание фаз «Причина» и «Действие» для повышения производительности языковой модели как « Ре » относится к разуму и « Действовать » к действию. Логика ReAct часто считается наиболее оптимизированной для создания LLM или чат-ботов для понимания и генерации текста. Агент — лицо, принимающее решения, которое решает, какие действия выполнять и в каком порядке они будут выполняться.

Чтобы изучить процесс реализации логики ReAct с использованием агента в LangChain, просто просмотрите следующее руководство:

Шаг 1: Установка фреймворков

Прежде всего, установите LangChain, чтобы начать процесс реализации логики ReAct:

Установите модуль google-search-results, чтобы получить зависимости для создания агента, который может получать результаты поиска из Google:

После этого установите модули OpenAI, которые можно использовать для загрузки моделей большого языка или LLM для реализации логики ReAct:

После получения всех необходимых модулей просто настройте среда OpenAI для создания LLM и среда SerpAPI для использования агента в модели:

Шаг 2. Загрузка языковой модели

Следующий шаг — загрузка языковых моделей путем импорта необходимых библиотек с помощью фреймворка LangChain:

Используйте метод OpenAI() для построения языковой модели (llm), а затем настройте инструменты для агентов с помощью SerpAPI:

Метод 1: использование языка выражений LandChain

LCEL — это процесс интеграции или составления цепочек при построении языковых моделей в LangChain. Начните процесс с установки LangChainHub, чтобы получить его зависимости для построения и использования логики ReAct с агентами в LangChain:

Импорт библиотек из LangChain, таких как ReActSingleInputOutputParser, для создания модели, которая может использовать модель ReAct:

Загрузите языковую модель для разработки логики ReAct с помощью метода pull() и сохраните ее в переменной приглашения. Определим некоторые инструменты, которые можно использовать для реализации логики в загруженном наборе данных для реализации его работы с агентом:

Строительный агент

Теперь настройте агент и его инструменты, интегрировав его с языковой моделью, загруженной на шаге 2 этого руководства:

Определите переменную агента, чтобы предоставить аргументы и инструменты для настройки агента, объясняющие его работу. Ранее настроенные части, такие как метод llm_with_stop и ReActSingleInputOutputParser(), интегрируются с агентом:

Получите библиотеку AgentExecutor и настройте ее метод, используя такие аргументы, как агент, инструменты и подробный текст, чтобы получить более читаемый результат:

Вызовите метод Agent_executor() со строковым запросом в качестве входных данных, который заставит агент извлечь выходные данные:

Выход

На следующем снимке экрана показано, что агент извлек информацию с помощью логики ReAct и сгенерировал текст на естественном языке:

Способ 2: использование ZeroShotReactAgent

Логику ReAct также можно реализовать с помощью другого агента, например ZeroShotReactAgent, при настройке переменной Agent_executor. После этого просто вызовите переменную Agent_executor с вопросом в качестве входных данных для вызова агента:

Выход

Агент извлек информацию на основе входных данных, запрошенных при вызове агента_executor:

Метод 3: использование моделей чата

Еще один процесс, который можно использовать для реализации логики ReAct с использованием моделей чата после импорта библиотеки ChatOpenAI:

Постройте модель чата с помощью метода ChatOpenAI() со значением температуры, равным 0, который может контролировать случайность результатов модели:

Загрузите модель, в которой пользователь может реализовать логику ReAct, чтобы сохранить ее в переменной приглашения, и настройте инструменты, которые будут использоваться в процессе:

Создание агента

Используйте модель чата для хранения наблюдений или недавних сообщений, когда модель перестает генерировать текст:

Получите библиотеку ReActJsonSingleInputOutputParser для реализации логики ReAct и получения результатов в формате JSON:

Создайте и настройте агент, используя переменную и методchat_model для получения результатов путем вызова агента:

Настройте агент_executor и запустите его, чтобы получить результаты на основе запроса, указанного во входной переменной:

Выход

Агент извлек выходные данные, как показано на следующем снимке экрана:

Способ 4: использование ChatZeroShotReactAgent

Изменение значения агента также можно использовать для реализации логики ReAct с помощью инфраструктуры LangChain:

Выход

Выходная структура содержит подробную информацию о работе агента из токенов и модели, использованной для извлечения информации:

Вот и все, что касается процесса реализации логики ReAct с помощью агента в LangChain.

Заключение

Чтобы реализовать логику ReAct с агентом, использующим структуру LangChain, установите такие модули, как google-search-results, для настройки агента. После этого настройте среду, используя учетные данные OpenAI и SerpAPI из своих учетных записей, чтобы начать использовать модель. Логику ReAct можно реализовать с использованием моделей LCEL и чата с несколькими агентами, предлагаемых модулем LangChain. В этом руководстве подробно описана реализация логики ReAct с использованием агента в LangChain.