¿Qué es un agente en LangChain?

El marco LangChain se utiliza para desarrollar aplicaciones que utilizan modelos de lenguaje. Los LLM brindan respuestas generales, no se dirigen a ningún campo específico, mientras que LangChain tiene el atributo más poderoso que proporciona para crear cadenas en las que los usuarios pueden combinar múltiples componentes y crear una única aplicación coherente. LangChain tiene muchos módulos, conexiones de datos, cadenas, agentes, memoria y devolución de llamadas.

En este artículo, analizaremos los agentes en LangChain desde todos los aspectos posibles.

¿Qué es un agente en LangChain?

Algunas aplicaciones no solo requieren cadenas predeterminadas, sino también una cadena desconocida que depende de la entrada del usuario. Para tal caso, existe un “ agente ”quién accede a la herramienta y decide qué herramienta se requiere de acuerdo con los aportes del usuario y lo que solicita. Un conjunto de herramientas es básicamente un conjunto de herramientas que se necesitan para lograr un objetivo específico y hay de 3 a 5 herramientas en un conjunto de herramientas.

Tipos de agentes LangChain

Hay dos agentes principales:

Agentes de acción
Agentes de planificación y ejecución

Agentes de acción: Estos agentes deciden las acciones a tomar paso a paso, evalúan cada paso y luego lo ejecutan y pasan al siguiente si analizamos el pseudocódigo del agente que implica algunos pasos.

La entrada se recibe del usuario.
El agente decide la herramienta y qué tipo de herramienta se requiere.
Esa herramienta se llama con la herramienta de entrada y se registra la observación.
La herramienta de historial, la herramienta de observación y la herramienta de entrada se devuelven al agente.
Repita el proceso hasta que el agente decida abandonar esta herramienta.

Agentes de planificación y ejecución: Estos agentes primero deciden qué acción tomar y luego ejecutan todas esas acciones.

Se recibe la entrada del usuario.
El agente enumera todos los pasos a ejecutar.
El ejecutor recorre la lista de pasos y los ejecuta.

Configuración del agente

Antes de configurar el agente, debe instalar la última versión de Pitón según su sistema operativo.

Paso 1: instalar paquetes
En primer lugar, tenemos que establecer un entorno para esto. Tenemos que instalar LangChain, google-search-results y openai a través del ' pepita ' dominio:

! pepita instalar cadena larga
! pepita instalar resultados-de-búsqueda-de-google
! pepita instalar abierto

Importación de bibliotecas requeridas:

desde langchain.schema importar SystemMessage
desde langchain.agents importe OpenAIFunctionsAgent, AgentExecutor
de la herramienta de importación langchain.agents
desde langchain.chat_models importar ChatOpenAI
importar re
desde getpass importar getpass

Paso 2: obtenga su API secreta
Después de configurar un entorno, ahora debe obtener claves API secretas de la plataforma OpenAI:

openai_api_key = obtener pase ( )
llm = ChatOpenAI ( openai_api_key =openai_api_key, temperatura = 0 )

Paso 3: herramienta de inicialización
A continuación, definamos una herramienta y escribamos código Python simple para obtener la longitud de una cadena.

@ herramienta
def get_word_string ( palabra: str ) - > En t:
'' 'Dame la longitud de una cuerda.' ''
devolver solo ( palabra )

herramientas = [ get_word_string ]

Paso 4: cree una plantilla de aviso
Después de definir la herramienta, configure una plantilla de aviso para este uso. “OpenAIFunctionsAgent.create_prompt()” Función auxiliar que creará la plantilla automáticamente.

system_message = Mensaje del sistema ( contenido = 'Eres un asistente muy poderoso, pero malo calculando longitudes de cuerdas'. )
indicador = OpenAIFunctionsAgent.create_prompt ( Mensaje del sistema =mensaje_del_sistema )

Paso 5: Crear agente
Ahora podemos concluir todas las piezas y crear un agente usando una función llamada “OpenAIFunctionsAgent()” .

agente = OpenAIFunctionsAgent ( llm =llm, herramientas = herramientas, inmediato = rápido )

Paso 6: configurar el tiempo de ejecución
Si ha creado un agente correctamente, cree un tiempo de ejecución para el agente; para ello, se utiliza 'AgentExecutor' como tiempo de ejecución para el agente.

agent_executor = AgentExecutor ( agente =agente, herramientas = herramientas, verboso =Verdadero )

Paso 7: Prueba del agente
Después de crear Runtime, ahora es el momento de probar el agente.

agent_executor.run ( '¿Cuántas palabras tiene esta cadena?' )

Si ha insertado la clave API correcta en el Paso 2, recibirá una respuesta.

Conclusión

Este artículo ha sido ilustrado desde muchos aspectos: en primer lugar, demuestra qué es LangChain y cómo funciona, luego pasa a los agentes en LangChain, analiza el propósito de los agentes en LangChain y contiene información sobre los dos tipos principales de agentes. “Agentes de acción” y “Agentes de planificación y ejecución” utilizado en LangChain y al final la ejecución del código ha sido para establecer un agente en LangChain

¿Qué es un agente en LangChain?