KI-Agenten mit Tools initialisieren und ausführen
Erstelle einen LangChain-Agenten, weise ihm ein großes Sprachmodell (LLM) und die zuvor definierten Tools zu, und führe ihn aus, um komplexe Aufgaben zu automatisieren.
Originalvideo ansehen: Wir entwickeln ein Cybersecurity-Game4 Schritte
1
LLM importieren und initialisieren
Importiere `ChatOpenAI` und initialisiere es mit dem gewünschten Modell (z.B. `gpt-4`).
from langchain.chat_models import ChatOpenAI
llm = ChatOpenAI(temperature=0, model_name="gpt-4")Tipp: Setze `temperature=0` für deterministischere und faktenbasierte Antworten. Für kreativere Aufgaben kann ein höherer Wert gewählt werden.
2
Tools in einer Liste sammeln
Füge alle deine definierten Tools (z.B. `search_tool`, `web_browsing_tool`) zu einer Liste hinzu.
tools = [search_tool, web_browsing_tool]3
Agenten initialisieren
Verwende `initialize_agent`, um den Agenten zu erstellen. Gib das LLM, die Tools und den Agententyp an. Setze `verbose=True`, um den Denkprozess des Agenten zu sehen.
from langchain.agents import initialize_agent, AgentType
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)Tipp: `AgentType.ZERO_SHOT_REACT_DESCRIPTION` ist ein guter Startpunkt, da er das LLM befähigt, basierend auf den Tool-Beschreibungen zu entscheiden.
4
Agenten mit einer Aufgabe ausführen
Rufe die `run`-Methode des Agenten mit deiner gewünschten Aufgabe auf. Beobachte die Ausgabe, um zu sehen, wie der Agent denkt und Tools verwendet.
agent.run("Find the current weather in San Francisco.")
agent.run("Who is the CEO of Google and what is their email address?")
agent.run("Visit the Wikipedia page for 'List of programming languages' and find the top 5 most popular languages based on the TIOBE index.")Tipp: Beginne mit einfachen Aufgaben und steigere die Komplexität, um das Verhalten des Agenten besser zu verstehen.