建立一个基本智能体

智能体代表了一种动态的LLM工作流方法。与链式结构不同，链式结构按预设顺序连接组件，其中开发者定义精确的操作顺序。而智能体则使用大型语言模型（LLM）作为推理引擎，根据一组可用工具来决定采取哪些行动以及以何种顺序。这使得它们能够处理那些事先不明确解决方案路径的更复杂、不可预测的任务。

建立一个基本智能体需要结合几个特定组件：

1. LLM： 为智能体推理过程提供支持的核心语言模型。
2. 工具： 智能体可用于与外部环境交互或执行特定任务的功能或能力（例如，搜索网页、执行计算、查询数据库）。
3. 智能体提示模板： 一个专用提示，指导大型语言模型如何推理、哪些工具可用、如何格式化其思考和行动，以及如何处理输入查询和中间步骤。
4. 智能体执行器： 管理智能体执行循环的运行时环境：调用大型语言模型、解析其输出以识别工具使用、运行选定的工具，并将结果反馈给大型语言模型，直到任务完成。

定义工具

对于一个基本智能体，我们可以从LangChain提供的简单、预构建工具开始。让我们考虑一个需要执行数学计算的智能体。LangChain提供了一个load_tools函数，简化了常用工具的加载。我们将加载llm-math工具，该工具使用大型语言模型执行计算。

from langchain.agents import load_tools
from langchain_openai import OpenAI # 或者你偏好的大型语言模型提供商

# 假设LLM对象已初始化（例如，llm = OpenAI(temperature=0)）
# 工具名称是LangChain可识别的特定字符串
tool_names = ["llm-math"]
tools = load_tools(tool_names, llm=llm)

print(f"已加载工具: {tools[0].name}")
print(f"工具说明: {tools[0].description}")

load_tools函数返回Tool对象的列表。每个工具都有一个name（智能体用于识别它）和一个description（对大型语言模型理解工具功能和何时使用它很重要）。

选择智能体类型和提示

LangChain支持多种智能体类型，每种都采用不同的提示策略。对于初学者而言，一种常见且有效的类型是**ReAct（推理与行动）**智能体。ReAct提示指导大型语言模型遵循特定的思考过程：

1. 思考（Thought）： 思考当前状态并决定下一步。
2. 行动（Action）： 指定要使用的工具。
3. 行动输入（Action Input）： 为选定的工具提供输入。
4. 观察（Observation）： （这是智能体执行器在运行工具后提供的）记录工具的结果。
5. 重复步骤1-4，直到获得最终答案，然后输出最终答案。

LangChain为不同的智能体类型提供了标准化提示。对于基本智能体，我们通常不需要手动制作这些复杂的提示。

初始化智能体

大型语言模型和工具准备好后，我们就可以初始化智能体了。我们使用create_react_agent函数（或其他智能体类型的类似函数），传入大型语言模型、工具列表以及一个适合ReAct智能体的预定义提示结构。LangChain通常会根据你正在创建的智能体类型自动拉取正确的提示。

from langchain import hub
from langchain.agents import create_react_agent

# 拉取标准ReAct提示模板
# 此提示旨在与ReAct智能体逻辑配合使用
prompt = hub.pull("hwchase17/react")

# 创建ReAct智能体
agent = create_react_agent(llm, tools, prompt)

# 注意：'agent' 对象本身包含逻辑蓝图，
# 但它需要AgentExecutor才能实际运行。

现在，这个agent对象捆绑了大型语言模型、可用工具以及关于大型语言模型应如何使用这些工具进行推理和行动的特定指令（即提示）。

智能体执行器

最后一部分是AgentExecutor。这是实际执行智能体推理循环的运行时。它以agent对象和tools作为输入。

from langchain.agents import AgentExecutor

# 创建智能体执行器
# verbose=True 允许我们查看智能体的思考过程
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, max_iterations=5)

# max_iterations 防止潜在的无限循环

在开发期间强烈建议使用verbose=True参数，因为它会打印智能体的内部独白（思考、行动、观察），这使得理解其行为和调试问题变得容易得多。max_iterations是一个安全措施，用于防止智能体陷入循环。

智能体执行循环可以如下所示：

该图表说明了智能体执行器内部的流程。大型语言模型进行推理，提出行动，执行器解析此内容，如果指定则运行工具，获取结果（观察），将其添加到草稿本，并反馈给大型语言模型，直到确定最终答案。

运行智能体

现在，我们可以使用AgentExecutor的invoke方法，通过特定任务来调用智能体。

# 我们的数学智能体的示例查询
query = "What is 25 percent of 300?"

# 运行智能体执行器
response = agent_executor.invoke({"input": query})

print("\n最终回应:")
print(response)

# 一个更复杂的计算
query_complex = "If a train travels at 60 km/h for 2.5 hours, how far does it travel?"
# 注意：基础的'llm-math'工具可能在单位转换或隐式物理计算方面表现不佳。
# 它主要用于算术/代数计算。
# 一个更完善的智能体可能需要特定的物理工具或更强的推理能力。
response_complex = agent_executor.invoke({"input": query_complex})
print("\n最终回应（复杂查询）:")
print(response_complex)

如果设置了verbose=True，你将在执行期间看到类似以下输出：

> 进入新的AgentExecutor链...
思考：用户想计算300的25%。我可以使用计算器工具。计算式是0.25 * 300。
行动：计算器
行动输入：0.25 * 300
观察：答案：75.0
思考：我已从计算器获得结果。答案是75.0。我现在可以向用户提供最终答案。
最终答案：300的25%是75.0。

> 链已完成。

最终回应:
{'input': 'What is 25 percent of 300?', 'output': '25 percent of 300 is 75.0.'}

# ... （第二个查询的类似输出，可能涉及 60 * 2.5）

此输出清晰地显示了ReAct流程：智能体的思考、选定的行动及其输入、从工具接收到的观察结果，以及最终导致答案的思考。

这个例子演示了创建和运行一个基本智能体的核心过程。你初始化一个大型语言模型，加载必要的工具，使用创建函数（如create_react_agent）将它们与适当的智能体提示结合，将所有内容封装在AgentExecutor中，然后用你的查询来调用它。执行器处理交互循环，运用大型语言模型的推理能力来决定如何有效使用工具。在下一节中，我们将了解当事情不按计划进行时的调试方法。