Как да внедрите логиката на ReAct с помощта на агент в LangChain?

Бързо очертание

Тази публикация ще демонстрира:

• Как да внедрите логиката на ReAct с помощта на агент в LangChain
• Инсталиране на Frameworks
• Зарежда се езиков модел
• Метод 1: Използване на LandChain Expression Language
• Строителен агент
• Метод 2: Използване на ZeroShotReactAgent
• Метод 3: Използване на чат модели
• Изграждане на агента
• Метод 4: Използване на ChatZeroShotReactAgent
• Заключение

Как да внедрите логиката на ReAct с помощта на агент в LangChain?

„ ReAct ” е комбинацията от фазите Причина и Действие за подобряване на ефективността на езиковия модел като „ Re ' се отнася до разума и ' действайте ” към действие. Логиката на ReAct често се смята за най-оптимизираната за изграждане на LLMs или chatbots за разбиране и генериране на текст. Агентът е лицето, вземащо решения, което решава кои действия да бъдат извършени и в какъв ред ще бъдат извършени.

За да научите процеса на внедряване на логиката на ReAct с помощта на агент в LangChain, просто преминете през следното ръководство:

Стъпка 1: Инсталиране на Frameworks

Първо, инсталирайте LangChain, за да започнете с процеса на внедряване на ReAct логиката:

Инсталирайте модула google-search-results, за да получите зависимостите за изграждане на агента, който може да получава резултатите от търсенето от google:

След това инсталирайте модулите OpenAI, които могат да се използват за зареждане на големите езикови модели или LLM за прилагане на логиката на ReAct:

След като получите всички необходими модули, просто настройте OpenAI среда за изграждане на LLM и SerpAPI среда за използване на агента в модела:

Стъпка 2: Зареждане на езиков модел

Следващата стъпка е зареждане на езиковите модели чрез импортиране на необходимите библиотеки с помощта на рамката LangChain:

Използвайте метода OpenAI(), за да изградите езиковия модел (llm) и след това да конфигурирате инструментите за агентите с помощта на SerpAPI:

Метод 1: Използване на LandChain Expression Language

LCEL е процес на интегриране или композиране на вериги заедно, докато се изграждат езиковите модели в LangChain. Стартирайте процеса, като инсталирате LangChainHub, за да получите неговите зависимости за изграждане и използване на ReAct логика с агенти в LangChain:

Импортиране на библиотеките от LangChain като ReActSingleInputOutputParser за изграждане на модела, който може да използва ReAct модела:

Заредете езиковия модел, за да проектирате логиката на ReAct, като използвате метода pull() и го запазете в променливата за подкана. Дефинирайте някои инструменти, които могат да се използват за прилагане на логиката върху заредения набор от данни, за да се реализира работата му с агент:

Строителен агент

Сега конфигурирайте агента и неговите инструменти, като го интегрирате с езиковия модел, зареден в стъпка 2 от това ръководство:

Дефинирайте променлива на агент, за да предоставите аргументите и инструментите за конфигуриране на агента, които обясняват неговата работа. Конфигурираните по-рано части като llm_with_stop и метода ReActSingleInputOutputParser() се интегрират с агента:

Вземете библиотеката AgentExecutor и конфигурирайте нейния метод, като използвате аргументи като agent, tools и verbose, за да получите по-четлив изход:

Извикайте метода agent_executor() със заявка за низ като вход, който ще задейства агента да извлече изхода:

Изход

Следната екранна снимка показва, че агентът е извлякъл информацията с помощта на логиката ReAct и е генерирал текста на естествен език:

Метод 2: Използване на ZeroShotReactAgent

Логиката ReAct може също да бъде внедрена чрез използване на друг агент като ZeroShotReactAgent, докато конфигурирате променливата agent_executor. След това просто извикайте променливата agent_executor с въпроса като вход за извикване на агента:

Изход

Агентът е извлякъл информацията въз основа на входа, поискан при извикване на agent_executor:

Метод 3: Използване на чат модели

Друг процес, който може да се използва за прилагане на логиката на ReAct чрез използване на чат моделите след импортиране на библиотеката ChatOpenAI:

Изградете модела на чат, като използвате метода ChatOpenAI() със стойност на температурата, равна на 0, която може да контролира произволността в резултатите от модела:

Заредете модела, върху който потребителят може да приложи логиката на ReAct, за да го съхраните в променливата за подкана и конфигурирайте инструментите, които да се използват в процеса:

Изграждане на агента

Използвайте модела за чат, за да съхранявате наблюденията или последните съобщения, когато моделът спре да генерира текста:

Вземете библиотеката ReActJsonSingleInputOutputParser, за да приложите логиката на ReAct и да създадете резултатите във формат JSON:

Изградете и конфигурирайте агента, като използвате променливата chat_model и метода, за да получите резултати чрез извикване на агента:

Конфигурирайте agent_executor и го стартирайте, за да получите резултатите въз основа на заявката, предоставена във входната променлива:

Изход

Агентът е извлякъл изхода, както е показано на следната екранна снимка:

Метод 4: Използване на ChatZeroShotReactAgent

Промяната на стойността на агента може също да се използва за прилагане на логиката ReAct с рамката LangChain:

Изход

Изходната структура съдържа подробна информация за работата на агента от токените и модела, използвани за извличане на информацията:

Това е всичко за процеса на внедряване на логиката на ReAct с помощта на агент в LangChain.

Заключение

За да приложите логиката на ReAct с агент, използващ рамката LangChain, инсталирайте модули като google-search-results, за да конфигурирате агента. След това настройте средата, като използвате идентификационните данни на OpenAI и SerpAPI от техните акаунти, за да започнете да използвате модела. Логиката ReAct може да бъде внедрена с помощта на LCEL и чат модели с множество агенти, предлагани от модула LangChain. Това ръководство е разработило внедряването на логиката на ReAct с помощта на агента в LangChain.