LangChain advanced coding 95% Usefulness

KI-Agenten mit Gedächtnis und Tools erstellen

Konfigurieren Sie einen LangChain-Agenten, der sowohl Kurzzeitgedächtnis als auch externe Tools (wie eine Wissensbasis und einen Taschenrechner) nutzen kann, um komplexe Anfragen zu bearbeiten.

Originalvideo ansehen: Googles KI-OFFENSIVE in Deutschland! Live vom AI Center Berl...
5 Schritte
1

Importieren Sie die notwendigen Klassen.

Importieren Sie `LLMMathChain`, `Tool`, `initialize_agent` und `AgentType`.

from langchain.chains import LLMMathChain
from langchain.agents import Tool, initialize_agent, AgentType
from langchain.chat_models import ChatOpenAI # Für AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION
2

Initialisieren Sie ein Chat-LLM für den Agenten.

Für konversationsfähige Agenten ist es oft besser, ein Chat-Modell wie `ChatOpenAI` zu verwenden.

chat_llm = ChatOpenAI(temperature=0, model_name='gpt-3.5-turbo')
3

Definieren Sie die Tools für den Agenten.

Erstellen Sie eine Liste von `Tool`-Objekten. Jedes Tool benötigt einen Namen, eine Funktion (`func`) und eine Beschreibung (`description`).

llm_math_chain = LLMMathChain(llm=llm) # Verwenden Sie das zuvor initialisierte OpenAI LLM

tools = [
    Tool(
        name='Knowledge Base',
        func=retriever.get_relevant_documents,
        description='useful for when you need to answer questions about specific topics'
    ),
    Tool(
        name='Calculator',
        func=llm_math_chain.run,
        description='useful for when you need to answer questions about math'
    )
]
4

Initialisieren Sie den Agenten.

Verwenden Sie `initialize_agent`, um den Agenten mit den Tools, dem Chat-LLM, dem Agententyp und dem Gedächtnis zu konfigurieren. `verbose=True` zeigt die Denkprozesse des Agenten an.

agent = initialize_agent(
    tools,
    chat_llm, # Verwenden Sie das Chat-LLM hier
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    verbose=True,
    memory=memory # Das zuvor erstellte ConversationBufferMemory
)
5

Testen Sie den Agenten.

Führen Sie den Agenten mit einer Beispielanfrage aus, die sowohl Gedächtnis als auch Tools erfordert.

response = agent.run('Hallo, mein Name ist Alice. Wer ist der Gründer von The AI Epiphany und was ist 10 geteilt durch 2?')
print(response)
← Alle Playbooks anzeigen