一、AI Agents 基础：ReAct 范式
示例代码：简单的ReAct智能体
class ReActAgent:def __init__(self, environment):self.environment = environment # 初始化环境def perceive(self):return self.environment.get_state() # 感知环境状态def reason(self, state):if state == 'goal_state':return 'achieve_goal' # 如果状态是目标状态，则采取实现目标的行动else:return 'take_action' # 否则，采取行动改变状态def act(self, action):if action == 'achieve_goal':self.environment.goal_achieved = True # 实现目标else:self.environment.change_state() # 改变环境状态class Environment:def __init__(self):self.state = 'initial_state' # 初始状态self.goal_achieved = False # 目标未实现def get_state(self):return self.state # 获取当前状态def change_state(self):self.state = 'goal_state' # 改变状态为目标状态# 创建环境和智能体env = Environment()agent = ReActAgent(env)# 智能体感知、推理和行动的循环while not env.goal_achieved:state = agent.perceive()action = agent.reason(state)agent.act(action)
二、LangChain Agent: 构建复杂应用的代理系统
示例代码：LangChain Agent基础
from langchain import LangChainAgent, LLMclass CustomLangChainAgent(LangChainAgent):def __init__(self, llm):self.llm = llm # 初始化语言模型def decide_action(self, context):prompt = f"Given the context: {context}, what should be the next action?" # 根据上下文生成提示return self.llm.generate_response(prompt) # 使用LLM生成响应# 创建语言模型和智能体llm = LLM()agent = CustomLangChainAgent(llm)# 决策下一步行动context = "current_task_status"action = agent.decide_action(context)print(f"Next action: {action}")
三、LangChain Agents 设计原理
LangChain Agents的设计原理基于使用LLM来决策和执行一系列动作，以完成特定目标。这种设计提高了系统的灵活性和适应性，能够处理更多复杂的任务和情景。在智能体的核心思想中，LLM被用作推理引擎，用来决定应该采取哪些动作以及动作的执行顺序。这种方法与传统的链式结构（Chains）有所不同。
1. 链式结构（Chains）
2. 代理（Agents）
示例代码：使用LLM进行动态决策
from langchain import LLMclass DynamicDecisionAgent:def __init__(self, llm):self.llm = llm # 初始化语言模型def decide_and_act(self, context):prompt = f"Context: {context}. What should be the next action?" # 根据上下文生成提示action = self.llm.generate_response(prompt) # 使用LLM生成响应self.execute_action(action) # 执行动作def execute_action(self, action):print(f"Executing action: {action}") # 执行并打印动作# 创建语言模型和智能体llm = LLM()agent = DynamicDecisionAgent(llm)# 决策并执行下一步行动context = "user_request_analysis"agent.decide_and_act(context)
四、LangChain Agents Ecosystem
1. 规划（Planning）
提示（Prompt）：
LLM多角色赋能：通过设定不同角色，LLM能够在不同情境下进行特定的任务。
给予充分的上下文：例如，从Memory中获取的上下文信息可以帮助LLM进行更准确的推理。
学习策略：例如，思维链（CoT）策略能够帮助LLM更好地理解和分解复杂问题。
代理（Agent）：代理的主要职责是决策下一步该做什么，通过推理选择最优行动。
示例代码：规划与提示
from langchain import LLMclass PlanningAgent:def __init__(self, llm):self.llm = llm # 初始化语言模型def plan_action(self, context):prompt = f"Context: {context}. Plan the next action considering all roles." # 根据上下文生成提示return self.llm.generate_response(prompt) # 使用LLM生成响应# 创建语言模型和智能体llm = LLM()agent = PlanningAgent(llm)# 规划下一步行动context = "data_preprocessing"action_plan = agent.plan_action(context)print(f"Action Plan: {action_plan}")
2. 记忆（Memory）
短期（Short-term）：存储在内存中的信息，帮助智能体在短期内进行任务决策。
长期（Long-term）：存储在向量数据库中的信息，帮助智能体在长期任务中进行更有效的推理和决策。
示例代码：记忆管理
class Memory:def __init__(self):self.short_term_memory = {} # 初始化短期记忆self.long_term_memory = {} # 初始化长期记忆def store_short_term(self, key, value):self.short_term_memory[key] = value # 存储短期记忆def store_long_term(self, key, value):self.long_term_memory[key] = value # 存储长期记忆def retrieve_short_term(self, key):return self.short_term_memory.get(key) # 获取短期记忆def retrieve_long_term(self, key):return self.long_term_memory.get(key) # 获取长期记忆# 创建记忆管理实例memory = Memory()memory.store_short_term("session_id", "12345")memory.store_long_term("user_profile", {"name": "Alice", "preferences": "data_analysis"})print(f"Short-term Memory: {memory.retrieve_short_term('session_id')}")print(f"Long-term Memory: {memory.retrieve_long_term('user_profile')}")
3. 工具（Tools）
示例代码：工具调用
from langchain import Toolclass ToolAgent:def __init__(self):self.tools = {"external_api": Tool("API_Call", self.call_external_api)} # 初始化工具def call_external_api(self, params):# 模拟调用外部APIreturn {"result": f"Processed {params}"}def use_tool(self, tool_name, params):tool = self.tools.get(tool_name)if tool:return tool.execute(params) # 使用工具执行任务return None# 创建智能体并使用工具agent = ToolAgent()result = agent.use_tool("external_api", "sample_data")print(f"Tool Result: {result}")
4. 智能代理分类
行动代理（Action agents）：旨在决定行动序列，通常用于工具使用的场景，例如OpenAI Function Call，ReAct。
模拟代理（Simulation agents）：设计用于角色扮演，在模拟环境中进行，例如生成式智能体，CAMEL。
自主智能体（Autonomous agent）：旨在独立执行以实现长期目标，例如Auto-GPT，BabyAGI。
示例代码：智能代理分类
class ActionAgent:def __init__(self, llm):self.llm = llm # 初始化语言模型def decide_action(self, context):prompt = f"Context: {context}. Decide the next action." # 根据上下文生成提示return self.llm.generate_response(prompt) # 使用LLM生成响应class SimulationAgent:def __init__(self, role):self.role = role # 初始化角色def simulate(self, scenario):return f"Simulating {self.role} in {scenario}" # 模拟角色在情景中的行为class AutonomousAgent:def __init__(self, goal):self.goal = goal # 初始化目标def execute(self):return f"Executing autonomous actions to achieve {self.goal}" # 执行自主行动以实现目标# 创建不同类型的智能体llm = LLM()action_agent = ActionAgent(llm)simulation_agent = SimulationAgent("Customer")autonomous_agent = AutonomousAgent("Long-term Goal")# 执行不同类型的智能体任务print(f"Action Agent Decision: {action_agent.decide_action('data_analysis')}")print(f"Simulation Agent Action: {simulation_agent.simulate('sales_scenario')}")print(f"Autonomous Agent Execution: {autonomous_agent.execute()}")
