Agent开发-Langchain-你需要知道的几件事

前言

推荐大家看看：

在开发自己的Agent时，可以让AI去参考这里面的内容，让AI更聚焦，减少出现幻觉的情况。

一、必知概念

Loader 加载器

就是用于加载各类数据的，网页、PDF、文件夹等等。

Document 文档

当使用loader加载器读取到数据源后，数据源需要转换成 Document 对象后，后续才能进行使用。

Text Spltters 文本分割

就是用来分割文本的。由于LLM字符限制，一次发送过多的字符会报错。

Vectorstores 向量数据库

由于数据相关性搜索实则是向量运算。所以需要将加载的数据 Document 进行向量化，才能进行向量运算搜索。转换成向量也很简单，只需要我们把数据存储到对应的向量数据库中即可完成向量的转换。

Chain 链

我们可以把 Chain 理解为任务。一个 Chain 就是一个任务，当然也可以像链条一样，一个一个的执行多个链。

Agent 代理

Embedding

用于衡量文本的相关性。这个也是 OpenAI API 能实现构建自己知识库的关键所在。

他相比 fine-tuning 最大的优势就是，不用进行训练，并且可以实时添加新的内容，而不用加一次新的内容就训练一次，并且各方面成本要比 fine-tuning 低许多。

二、通过 Google 搜索并返回答案

Serpapi 提供了 google 搜索的 api 接口。

第一需要我们到 Serpapi 官网上注册一个用户， 并复制他给我们生成 api key。

然后我们需要像上面的 openai api key 一样设置到环境变量里面去。

从下面的代码中可以看出：serpapi搜索功能就是使用一个外部工具实现的。

import os
os.environ["OPENAI_API_KEY"] = '你的api key'
os.environ["SERPAPI_API_KEY"] = '你的api key'

from langchain.agents import load_tools
from langchain.agents import initialize_agent
from langchain.llms import OpenAI
from langchain.agents import AgentType

# 加载 OpenAI 模型
llm = OpenAI(temperature=0,max_tokens=2048) 

 # 加载 serpapi 工具
tools = load_tools(["serpapi"])

# 如果搜索完想再计算一下可以这么写
# tools = load_tools(['serpapi', 'llm-math'], llm=llm)

# 如果搜索完想再让他再用python的print做点简单的计算，可以这样写
# tools=load_tools(["serpapi","python_repl"])

# 工具加载后都需要初始化，verbose 参数为 True，会打印全部的执行详情
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

# 运行 agent
agent.run("What's the date today? What great events have taken place today in history?")

在 chain 和 agent 对象上都会有 verbose 这个参数，这个是个超级有用的参数，开启他后我们可以看到完整的 chain 执行过程。

可以在上面返回的结果看到，他将我们的问题拆分成了几个步骤，然后一步一步得到最终的答案。

关于agent type 几个选项的含义：

• zero-shot-react-description: 根据工具的描述和请求内容的来决定使用哪个工具（最常用）
• react-docstore: 使用 ReAct 框架和 docstore 交互, 使用Search 和Lookup 工具, 前者用来搜, 后者寻找term, 举例: Wipipedia 工具
• self-ask-with-search 此代理只使用一个工具: Intermediate Answer, 它会为问题寻找实际答案(指的非 gpt 生成的答案, 而是在网络中,文本中已存在的), 如 Google search API 工具
• conversational-react-description: 为会话设置而设计的代理, 它的prompt会被设计的具有会话性, 且还是会使用 ReAct 框架来决定使用来个工具, 并且将过往的会话交互存入内存

三、超长文本总结

如果遇到了超长文本的情况，LLM最大token限制报错；我自己第一想到的就是拆分，把文本拆成几段，对每一段进行总结，最后再把各段总结整合在一起，实现一种压缩的效果。

Langchain中实现这个过程就简单的多了：

代码看看知道大致的逻辑即可，目前AI的各种框架更新很快。

from langchain.document_loaders import UnstructuredFileLoader
from langchain.chains.summarize import load_summarize_chain
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain import OpenAI

# 导入文本
loader = UnstructuredFileLoader("/content/sample_data/data/lg_test.txt")
# 将文本转成 Document 对象
document = loader.load()
print(f'documents:{len(document)}')

# 初始化文本分割器
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size = 500,
    chunk_overlap = 0
)

# 切分文本
split_documents = text_splitter.split_documents(document)
print(f'documents:{len(split_documents)}')

# 加载 llm 模型
llm = OpenAI(model_name="text-davinci-003", max_tokens=1500)

# 创建总结链
chain = load_summarize_chain(llm, chain_type="refine", verbose=True)

# 执行总结链，（为了快速演示，只总结前5段）
chain.run(split_documents[:5])