一、环境在此之前我们需要确定一下环境网盘分享的是我们第三方库的配置环境。requirements3.txt链接: https://pan.baidu.com/s/1FjHEmBK6Pz4XS4aN3Ak76g 提取码: 89yt这里我使用的是python3.11python版本不能太老否则很多库会不兼容使用的是虚拟环境要安装这些库可以把这个文档保存然后在终端输入pip install -r 文档地址二、创建第一个自定义工具最基础的 Agent 创建流程。我们定义了一个计算文本字数的工具并让 Agent 使用它。from langchain import hub from langchain.agents import create_structured_chat_agent, AgentExecutor from langchain.memory import ConversationBufferMemory from langchain.schema import HumanMessage from langchain.tools import BaseTool from langchain_openai import ChatOpenAI导入我们需要的库# 初始化大模型 # 这里使用通义千问的API你需要替换成自己的API密钥 model ChatOpenAI( modelqwen-plus, openai_api_keysk-**********************9,#填入自己申请的key openai_api_basehttps://dashscope.aliyuncs.com/compatible-mode/v1, temperature0 ) # 测试模型是否正常工作 model.invoke([HumanMessage(content我是一个非常聪明的人工智能助手这句话的字数是多少)])申请自己key可以参考文章https://blog.csdn.net/2201_75573294/article/details/159113608?fromshareblogdetailsharetypeblogdetailsharerId159113608sharereferPCsharesource2201_75573294sharefromfrom_link# 1. 定义自定义工具类 class TextLengthTool(BaseTool): name 文本字数计算工具 # 工具名称 description 当你被要求计算文本的字数时使用此工具 # 工具描述很重要模型根据这个判断何时使用 def _run(self, text): 工具的具体实现逻辑 return len(text)BaseTool所有自定义工具都需要继承的基类name 和 description这两个属性是模型选择工具的关键依据# 2. 创建工具列表 tools [TextLengthTool()] # 3. 从hub获取提示词模板 prompt hub.pull(hwchase17/structured-chat-agent) # 4. 创建agent agent create_structured_chat_agent( llmmodel, toolstools, promptprompt ) # 5. 创建记忆组件让agent记住对话历史 memory ConversationBufferMemory( memory_keychat_history, return_messagesTrue ) # 6. 创建agent执行器 agent_executor AgentExecutor.from_agent_and_tools( agentagent, toolstools, memorymemory, verboseTrue, # 显示详细执行过程 handle_parsing_errorsTrue # 解析错误时自动处理 ) # 7. 测试询问字数会调用工具 agent_executor.invoke({input: 我是一个非常聪明的人工智能助手这句话的字数是多少}) # 8. 测试询问数学问题不会调用工具直接用模型知识回答 agent_executor.invoke({input: 请你充当我的数学老师告诉我什么是勾股定理})memory让agent能记住对话上下文verboseTrue能看到agent的思考过程对学习和调试非常有帮助三、使用现成的Python执行工具使用 LangChain 提供的现成工具让 agent 能够执行 Python 代码。1。’先安装一个第三方库pip install langchain_experimental2.具体实现from langchain_experimental.agents.agent_toolkits import create_python_agent from langchain_experimental.tools import PythonREPLTool from langchain_openai import ChatOpenAI # 创建工具列表使用现成的Python交互式环境工具 tools [PythonREPLTool()] # 创建专门用于执行Python代码的agent agent_executor create_python_agent( llmChatOpenAI( modelqwen-plus, openai_api_keysk-*******************, openai_api_basehttps://dashscope.aliyuncs.com/compatible-mode/v1, temperature0 ), toolPythonREPLTool(), # 指定使用的工具 verboseTrue, agent_executor_kwargs{handle_parsing_errors: True} )PythonREPLTool一个强大的工具让agent能够执行任意Python代码create_python_agent专门用于创建Python编程agent的便捷方法# 测试数学计算 agent_executor.invoke({input: 5的3.6次方是多少}) # agent会生成代码print(5 ** 3.6) 并执行 # 测试斐波那契数列 agent_executor.invoke({input: 第12个斐波那契数列的数字是多少}) # agent会编写代码计算斐波那契数列并返回结果agent会自主决定编写什么代码来解决问题四、CSV文件分析工具展示了如何使用create_csv_agent来分析表格数据。可以自己写一个文档内容然后保存txt是可以csv识别的。然后对他进行提问from langchain_experimental.agents.agent_toolkits import create_csv_agent from langchain_openai import ChatOpenAI # 创建专门用于分析CSV文件的agent agent_executor create_csv_agent( llmChatOpenAI( modelqwen-plus, openai_api_keysk-**********************, # 注意不同示例使用了不同密钥 openai_api_basehttps://dashscope.aliyuncs.com/compatible-mode/v1, temperature0, ), pathrD:\aboutxue\dataxue.txt, # 指定数据文件路径 verboseTrue, agent_executor_kwargs{handle_parsing_errors: True} ) # 测试询问数据集基本信息 agent_executor.invoke({input: 数据集有多少列用中文回复}) # agent会使用pandas读取数据并统计列数 agent_executor.invoke({input: 数据集包含哪些变量用中文回复}) # agent会显示所有列名 # 测试具体数据查询 agent_executor.invoke({input: 数据集里广州演唱会有几场用中文回复}) # agent会筛选数据并计数 agent_executor.invoke({input: 五月一日是在哪开演唱会用中文回复}) # agent会按条件查询具体信息agent读取指定路径的CSV文件将用户问题转化为pandas代码执行代码获取结果并输出。create_csv_agent专门用于数据分析的agent创建函数。agent底层使用pandas库处理数据。支持各种复杂的查询需求。五、多工具协同工作重点展示如何让agent同时拥有多个工具并根据问题智能选择。from langchain import hub from langchain.agents import create_structured_chat_agent, AgentExecutor from langchain.memory import ConversationBufferMemory from langchain.tools import BaseTool, Tool from langchain_experimental.agents.agent_toolkits import create_csv_agent, create_python_agent from langchain_experimental.tools import PythonREPLTool from langchain_openai import ChatOpenAI # 初始化基础模型 model ChatOpenAI( modelqwen-plus, openai_api_keysk-0b717f29b6ee4852a2331cf1ffa30d4f, openai_api_basehttps://dashscope.aliyuncs.com/compatible-mode/v1, temperature0 )# 1. 定义第一个自定义工具字数计算 class TextLengthTool(BaseTool): name 文本字数计算工具 description 当你需要计算文本包含的字数时使用此工具 def _run(self, text): return len(text) # 2. 创建Python执行agent作为工具使用 python_agent_executor create_python_agent( llmChatOpenAI( modelqwen-plus, openai_api_keysk-*********************, openai_api_basehttps://dashscope.aliyuncs.com/compatible-mode/v1 ), temperature0, toolPythonREPLTool(), verboseTrue, agent_executor_kwargs{handle_parsing_errors: True} ) # 3. 创建CSV分析agent作为工具使用 csv_agent_executor create_csv_agent( llmChatOpenAI( modelqwen-plus, openai_api_keys**********************************, openai_api_basehttps://dashscope.aliyuncs.com/compatible-mode/v1, temperature0, ), pathrD:\aboutxue\dataxue.txt, verboseTrue, agent_executor_kwargs{handle_parsing_errors: True} )# 4. 组装工具列表关键步骤 tools [ Tool( namePython代码工具, description当你需要借助Python解释器进行数学计算、数据处理或执行代码时使用这个工具。 用自然语言把要求给这个工具它会生成Python代码并返回代码执行的结果。, funcpython_agent_executor.invoke # 注意这里传入的是函数不是agent本身 ), Tool( nameCSV分析工具, description当你需要回答关于dataxue.txt文件的问题时使用这个工具。 它可以查询数据集的行数、列数、特定条件的记录等。 接受完整的问题作为输入在使用Pandas库计算后返回答案。, funccsv_agent_executor.invoke ), TextLengthTool() # 直接使用自定义工具类实例 ] # 5. 创建记忆组件 memory ConversationBufferMemory( memory_keychat_history, return_messagesTrue ) # 6. 获取提示词模板 prompt hub.pull(hwchase17/structured-chat-agent) # 7. 创建主agent agent create_structured_chat_agent( llmmodel, toolstools, promptprompt ) # 8. 创建主执行器 agent_executor AgentExecutor.from_agent_and_tools( agentagent, toolstools, memorymemory, verboseTrue, handle_parsing_errorsTrue )Tool包装类可以将已有的agent包装成工具实现工具嵌套description的编写艺术描述越清晰agent选择越准确多步推理agent能自主决定调用多个工具的先后顺序# 9. 测试一使用Python工具 agent_executor.invoke({input: 第8个斐波那契数列的数字是多少}) # 10. 测试二使用CSV工具 agent_executor.invoke({input: 数据集里广州演唱会有几场用中文回答}) # 11. 测试三组合使用多个工具最复杂的任务 agent_executor.invoke({ input: 我是一个聪明的人工智能助手这句话的字数是多少你需要调用python代码工具来确定这个数字是否是斐波那契数列当中的数字 })当执行第三个测试时Agent来思考流程识别任务需求需要计算字符串的字数需要判断这个数字是否属于斐波那契数列使用字数计算工具调用 TextLengthTool得到结果9我是一个聪明的人工智能助手共9个字符使用Python工具把判断9是否在斐波那契数列中的任务交给Python工具Python工具生成并执行代码返回结果9在斐波那契数列中吗生成的代码会计算斐波那契数列直到超过9然后判断综合结果最终答案字数是9并且9是斐波那契数列中的数字六、Self-Ask with Search 模式一种特殊的agent类型它擅长处理需要多步推理的问题。1.self-ask-with-search模式的特点工具名称固定必须使用 Intermediate Answer这是该模式的约定拆解问题善于将复杂问题拆解为多个子问题中间答案每个子问题的答案称为Intermediate Answer最终汇总基于所有中间答案得出最终结论from langchain import hub from langchain.agents import AgentExecutor, create_self_ask_with_search_agent from langchain.memory import ConversationBufferMemory from langchain.schema import HumanMessage from langchain.tools import BaseTool from langchain_openai import ChatOpenAI # 初始化模型 model ChatOpenAI( modelqwen-plus, openai_api_keysk-***************************, openai_api_basehttps://dashscope.aliyuncs.com/compatible-mode/v1, temperature0 ) # 测试模型 model.invoke([HumanMessage(content我是一个非常聪明的人工智能助手这句话的字数是多少)])# 注意这里的工具名称必须是 Intermediate Answer class TextLengthTool(BaseTool): name Intermediate Answer # 这个名称是固定的不能随意更改 description 当你被要求计算文本的字数时使用此工具 def _run(self, text): return len(text) # 创建工具列表 tools [TextLengthTool()] # 获取特定的prompt模板 prompt hub.pull(hwchase17/self-ask-with-search) print(prompt.template) # 可以查看prompt的具体内容 # 创建self-ask-with-search类型的agent agent create_self_ask_with_search_agent( llmmodel, toolstools, promptprompt ) # 创建记忆组件 memory ConversationBufferMemory( memory_keychat_history, return_messagesTrue ) # 创建执行器 agent_executor AgentExecutor.from_agent_and_tools( agentagent, toolstools, memorymemory, verboseTrue, handle_parsing_errorsTrue )# 测试一简单问题 agent_executor.invoke({input: 我是一个非常聪明的人工智能助手这句话的字数是多少}) # 测试二复杂比较问题 agent_executor.invoke({input: 林肯和罗斯福谁活得更久}) # 查看prompt的完整内容注释部分 Question: Who lived longer, Muhammad Ali or Alan Turing? Are follow up questions needed here: Yes. Follow up: How old was Muhammad Ali when he died? Intermediate answer: Muhammad Ali was 74 years old when he died. Follow up: How old was Alan Turing when he died? Intermediate answer: Alan Turing was 41 years old when he died. So the final answer is: Muhammad Ali Question: When was the founder of craigslist born? Are follow up questions needed here: Yes. Follow up: Who was the founder of craigslist? Intermediate answer: Craigslist was founded by Craig Newmark. Follow up: When was Craig Newmark born? Intermediate answer: Craig Newmark was born on December 6, 1952. So the final answer is: December 6, 1952 Question: {input} Are followup questions needed here:{agent_scratchpad} 以上代码需要注意的API密钥管理示例中的密钥需要替换为你自己的建议使用环境变量存储工具描述优化多测试不同描述找到让模型理解最准确的方式调试技巧始终开启verboseTrue观察agent的思考过程错误处理设置handle_parsing_errorsTrue让agent更健壮记忆管理长对话中注意控制记忆大小避免token超限七、总结与对比五种agent类型的适用场景示例agent类型适用场景创建第一个自定义工具Structured Chat Agent需要自定义工具的通用场景使用现成的Python执行工具Python Agent数学计算、编程任务CSV文件分析工具CSV Agent数据分析、表格查询多工具协同工作Multi-Tool Agent需要多种能力的复杂任务Self-Ask with Search 模式Self-Ask Agent需要多步推理的比较类问题