Qu’est-ce qu’un agent dans LangChain ?

Le framework LangChain est utilisé pour développer des applications qui utilisent des modèles de langage. Les LLM donnent des réponses générales, ils ne ciblent aucun domaine spécifique tandis que LangChain possède l'attribut le plus puissant qu'il fournit pour créer des chaînes dans lesquelles les utilisateurs peuvent combiner plusieurs composants ensemble et créer une seule application cohérente. LangChain possède de nombreux modules, connexions de données, chaînes, agents, mémoire et rappel.

Dans cet article, nous discuterons des agents dans LangChain sous tous les aspects possibles.

Qu’est-ce qu’un agent dans LangChain ?

Certaines applications nécessitent non seulement des chaînes prédéterminées, mais également une chaîne inconnue qui dépend de la saisie de l'utilisateur. Dans un tel cas, il existe un « agent ' qui accèdent à l'outil et décident quel outil est requis en fonction de la saisie de l'utilisateur et de ce qu'il demande. Une boîte à outils est essentiellement un ensemble d’outils nécessaires pour atteindre un objectif spécifique et il y a 3 à 5 outils dans une boîte à outils.

Types d’agents LangChain

Il existe deux agents principaux :

Agents d'action
Agents de planification et d'exécution

Agents d'action : Ces agents décident des actions à entreprendre étape par étape, évaluent chaque étape puis l'exécutent et passent à la suivante si l'on discute du pseudo-code de l'agent qui implique quelques étapes

L'entrée est reçue de l'utilisateur.
L'agent décide de l'outil et du type d'outil requis.
Cet outil est appelé avec l'outil de saisie et l'observation est enregistrée.
L'outil d'historique, l'outil d'observation et l'outil de saisie sont renvoyés à l'agent.
Répétez le processus jusqu'à ce que l'agent décide de quitter cet outil.

Agents de planification et d'exécution : Ces agents décident d’abord d’une action à entreprendre, puis exécutent toutes ces actions.

Une entrée utilisateur est reçue.
L'agent liste toutes les étapes à exécuter.
L'exécuteur testamentaire parcourt la liste des étapes et les exécute.

Agent de configuration

Avant de configurer l'agent, vous devez installer la dernière version de Python selon votre système d'exploitation.

Étape 1 : Installation des packages
Tout d'abord, nous devons établir un environnement pour cela, nous devons installer LangChain, google-search-results et openai via le ' pépin ' commande:

! pépin installer chaîne de langue
! pépin installer résultats de recherche Google
! pépin installer ouvert

Importation des bibliothèques requises :

à partir de langchain.schema importer SystemMessage
à partir de langchain.agents importer OpenAIFunctionsAgent, AgentExecutor
à partir de l'outil d'importation langchain.agents
depuis langchain.chat_models importer ChatOpenAI
importer re
depuis getpass importer getpass

Étape 2 : Obtenez votre API secrète
Après avoir configuré un environnement, vous devez maintenant obtenir les clés API secrètes de la plateforme OpenAI :

openai_api_key = getpass ( )
llm = ChatOpenAI ( openai_api_key =openai_api_key, température = 0 )

Étape 3 : initialisation de l'outil
Définissons ensuite un outil, écrivant du code Python simple pour obtenir la longueur d'une chaîne.

@ outil
def get_word_string ( mot : str ) - > entier :
'' 'donne-moi la longueur d'une ficelle.' ''
retour seulement ( mot )

outils = [ get_word_string ]

Étape 4 : Créer un modèle d'invite
Après avoir défini l'outil, configurez un modèle d'invite pour cela, utilisez le 'OpenAIFunctionsAgent.create_prompt()' fonction d'assistance qui créera automatiquement le modèle.

system_message = Message système ( contenu = 'Vous êtes un assistant très puissant, mais mauvais pour calculer les longueurs de ficelle.' )
invite = OpenAIFunctionsAgent.create_prompt ( Message système =message_système )

Étape 5 : Création d'un agent
Nous pouvons maintenant conclure tous les éléments et créer un agent en utilisant une fonction appelée « OpenAIFunctionsAgent() » .

agent = OpenAIFunctionsAgent ( llm =llm, outils =outils, rapide =invite )

Étape 6 : configuration du runtime
Si vous avez créé un agent avec succès, créez un runtime pour l'agent, pour cela « AgentExecutor » est utilisé comme runtime pour l'agent.

agent_executor = AgentExecutor ( agent =agent, outils =outils, verbeux =Vrai )

Étape 7 : Test des agents
Après avoir créé le Runtime, il est maintenant temps de tester l’agent.

agent_executor.run ( « Combien de mots cette chaîne contient-elle ? » )

Si vous avez inséré la clé API correcte à l'étape 2, vous obtiendrez une réponse.

Conclusion

Cet article a été illustré sous de nombreux aspects : il montre d'abord ce qu'est LangChain et comment il fonctionne, puis il passe aux agents dans LangChain, discute du but des agents dans LangChain et contient des informations sur les deux principaux types d'agents. 'Agents d'action' et « Agents de planification et d'exécution » utilisé dans LangChain et à la fin de l'exécution du code a été d'établir un agent dans LangChain

Qu’est-ce qu’un agent dans LangChain ?