Python langchain ReAct 使用范例

0. 介绍

ReAct: Reasoning + Acting ，ReAct Prompt 由 few-shot task-solving trajectories 组成，包括人工编写的文本推理过程和动作，以及对动作的环境观察。
在这里插入图片描述

1. 范例

langchain version 0.3.7

$ pip show langchain
Name: langchain
Version: 0.3.7
Summary: Building applications with LLMs through composability
Home-page: https://github.com/langchain-ai/langchain
Author: 
Author-email: 
License: MIT
Location: /home/xjg/.conda/envs/langchain/lib/python3.10/site-packages
Requires: aiohttp, async-timeout, langchain-core, langchain-text-splitters, langsmith, numpy, pydantic, PyYAML, requests, SQLAlchemy, tenacity
Required-by: langchain-community

1.1 使用第三方工具

Google 搜索对接
第三方平台：https://serpapi.com
LangChain API 封装：SerpAPI

1.1.1 简单使用工具

from langchain_community.utilities import SerpAPIWrapper
import os# 删除all_proxy环境变量
if 'all_proxy' in os.environ:del os.environ['all_proxy']# 删除ALL_PROXY环境变量
if 'ALL_PROXY' in os.environ:del os.environ['ALL_PROXY']os.environ["SERPAPI_API_KEY"] = "xxx"params = {"engine": "bing","gl": "us","hl": "en",
}
search = SerpAPIWrapper(params=params)
result = search.run("Obama's first name?")
print(result)

输出结果：

['In 1975, when Obama started high school in Hawaii, teacher Eric Kusunoki read the roll call and stumbled on Obama\'s first name. "Is Barack here?" he asked, pronouncing it BAR-rack .', "Barack Obama, the 44th president of the United States, was born on August 4, 1961, in Honolulu, Hawaii to Barack Obama, Sr. (1936–1982) (born in Oriang' Kogelo of Rachuonyo North District, Kenya) and Stanley Ann Dunham, known as Ann (1942–1995) (born in Wichita, Kansas, United States). Obama spent most of his childhood years in Honolulu, where his mother attended the University of Hawaiʻi at Mānoa", 'Barack Obama is named after his father, who was a Kenyan economist (called under the same name). He’s first real given name is “Barak”, also spelled Baraq (Not to be confused with Barack which is is a building or group of buildings …', 'Nevertheless, he was proud enough of his formal name that after he and Ann Dunham married in 1961, they named their son, Barack Hussein Obama II. As a youngster, the former president likely never...', 'https://www.britannica.com/biography/Barack-Obama', 'The name Barack means "one who is blessed" in Swahili. Obama was the first African-American U.S. president. Obama was the first president born outside of the contiguous United States. Obama was the eighth left-handed …', 'Barack Obama is the first Black president of the United States. Learn facts about him: his age, height, leadership legacy, quotes, family, and more.', 'Barack and Ann’s son, Barack Hussein Obama Jr., was born in Honolulu on August 4, 1961. Did you know? Not only was Obama the first African American president, he was also the first to be...', "President Obama's full name is Barack Hussein Obama. His full, birth name is Barack Hussein Obama, II. He was named after his father, Barack Hussein Obama, Sr., who …", 'When Barack Obama was elected president in 2008, he became the first African American to hold the office. The framers of the Constitution always hoped that our leadership would not be limited...']

1.1.2 使用第三方工具时ReAct

提示词 hwchase17/self-ask-with-search

from langchain_community.utilities import SerpAPIWrapper
from langchain.agents import create_self_ask_with_search_agent, AgentType,Tool,AgentExecutor
from langchain import hub
from langchain_openai import ChatOpenAI
import os
from dotenv import load_dotenv, find_dotenv# 删除all_proxy环境变量
if 'all_proxy' in os.environ:del os.environ['all_proxy']# 删除ALL_PROXY环境变量
if 'ALL_PROXY' in os.environ:del os.environ['ALL_PROXY']_ = load_dotenv(find_dotenv())os.environ["SERPAPI_API_KEY"] = "xxx"chat_model = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# 实例化查询工具
search = SerpAPIWrapper()
tools = [Tool(name="Intermediate Answer",func=search.run,description="useful for when you need to ask with search",)
]
prompt = hub.pull("hwchase17/self-ask-with-search")self_ask_with_search = create_self_ask_with_search_agent(chat_model,tools,prompt
)agent_executor = AgentExecutor(agent=self_ask_with_search, tools=tools,verbose=True,handle_parsing_errors=True)
reponse = agent_executor.invoke({"input": "成都举办的大运会是第几届大运会？2023年大运会举办地在哪里？"})print(reponse)
print(chat_model.invoke("成都举办的大运会是第几届大运会？").content)
print(chat_model.invoke("2023年大运会举办地在哪里？").content)

输出:

> Entering new AgentExecutor chain...
Could not parse output: Yes.  
Follow up: 成都举办的大运会是由哪个组织举办的？  1. **成都举办的大运会是第几届大运会？**- The 2023 Chengdu Universiade was the 31st Summer Universiade.2. **2023年大运会举办地在哪里？**- The 2023 Summer Universiade was held in Chengdu, China.So the final answers are:
- 成都举办的大运会是第31届大运会。
- 2023年大运会举办地是成都，China。如果你还有其他问题或需要进一步的澄清，请随时问我！
For troubleshooting, visit: https://python.langchain.com/docs/troubleshooting/errors/OUTPUT_PARSING_FAILUREInvalid or incomplete response> Finished chain.
{'input': '成都举办的大运会是第几届大运会？2023年大运会举办地在哪里？', 'output': '31届，成都，China'}
成都举办的世界大学生运动会是第31届大运会。该届大运会于2023年在中国成都举行。
2023年大运会（世界大学生运动会）将于2023年在中国成都举办。

1.2 使用langchain内置的工具

hwchase17/react

from langchain.agents import create_react_agent, AgentType,Tool,AgentExecutor
from langchain import hub
from langchain_community.agent_toolkits.load_tools import load_tools
from langchain.prompts import PromptTemplate
from dotenv import load_dotenv, find_dotenv
from langchain_openai import ChatOpenAI
import os# 删除all_proxy环境变量
if 'all_proxy' in os.environ:del os.environ['all_proxy']# 删除ALL_PROXY环境变量
if 'ALL_PROXY' in os.environ:del os.environ['ALL_PROXY']_ = load_dotenv(find_dotenv())os.environ["SERPAPI_API_KEY"] = "xxx"chat_model = ChatOpenAI(model="gpt-4o-mini", temperature=0)prompt = hub.pull("hwchase17/react")
tools = load_tools(["serpapi", "llm-math"], llm=chat_model)agent = create_react_agent(chat_model, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools,verbose=True)reponse =agent_executor.invoke({"input": "谁是莱昂纳多·迪卡普里奥的女朋友？她现在年龄的0.43次方是多少?"})
print(reponse)

输出：

> Entering new AgentExecutor chain...
我需要先找到莱昂纳多·迪卡普里奥目前的女朋友是谁，然后获取她的年龄以计算年龄的0.43次方。  
Action: Search  
Action Input: "Leonardo DiCaprio girlfriend 2023"  
Vittoria Ceretti我找到莱昂纳多·迪卡普里奥的女朋友是维多利亚·切雷提（Vittoria Ceretti）。接下来，我需要找到她的年龄以计算0.43次方。  
Action: Search  
Action Input: "Vittoria Ceretti age 2023"  About 25 years维多利亚·切雷提（Vittoria Ceretti）大约25岁。接下来，我将计算25的0.43次方。  
Action: Calculator  
Action Input: 25 ** 0.43  Answer: 3.991298452658078我现在知道最终答案  
Final Answer: 莱昂纳多·迪卡普里奥的女朋友是维多利亚·切雷提，她的年龄0.43次方约为3.99。> Finished chain.
{'input': '谁是莱昂纳多·迪卡普里奥的女朋友？她现在年龄的0.43次方是多少?', 'output': '莱昂纳多·迪卡普里奥的女朋友是维多利亚·切雷提，她的年龄0.43次方约为3.99。'}

1.3 使用自定义的工具

hwchase17/openai-functions-agent

1.3.1 简单使用

from langchain_openai import ChatOpenAI
from  langchain.agents import tool,AgentExecutor,create_openai_functions_agent
from langchain import hubimport os
from dotenv import load_dotenv, find_dotenv# 删除all_proxy环境变量
if 'all_proxy' in os.environ:del os.environ['all_proxy']# 删除ALL_PROXY环境变量
if 'ALL_PROXY' in os.environ:del os.environ['ALL_PROXY']_ = load_dotenv(find_dotenv())chat_model = ChatOpenAI(model="gpt-4o-mini",temperature=0)@tool
def get_word_length(word: str) -> int:"""Returns the length of a word."""return len(word)tools = [get_word_length]prompt = hub.pull("hwchase17/openai-functions-agent")
agent = create_openai_functions_agent(llm=chat_model, tools=tools, prompt=prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True,handle_parsing_errors=True)agent_executor.invoke({"input": "单词“educati”中有多少个字母?"})

输出：

> Entering new AgentExecutor chain...Invoking: `get_word_length` with `{'word': 'educati'}`7单词“educati”中有7个字母。> Finished chain.

1.3.1 带有记忆功能

from langchain_openai import ChatOpenAI
from  langchain.agents import tool,AgentExecutor,create_openai_functions_agent
from langchain_core.prompts.chat import ChatPromptTemplate
from langchain.prompts import MessagesPlaceholder
from langchain.memory import ConversationBufferMemory
from langchain import hubimport os
from dotenv import load_dotenv, find_dotenv# 删除all_proxy环境变量
if 'all_proxy' in os.environ:del os.environ['all_proxy']# 删除ALL_PROXY环境变量
if 'ALL_PROXY' in os.environ:del os.environ['ALL_PROXY']_ = load_dotenv(find_dotenv())chat_model = ChatOpenAI(model="gpt-4o-mini",temperature=0)@tool
def get_word_length(word: str) -> int:"""Returns the length of a word."""return len(word)tools = [get_word_length]prompt = ChatPromptTemplate.from_messages([("placeholder", "{chat_history}"),("human", "{input}"),("placeholder", "{agent_scratchpad}"),]
)memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)agent = create_openai_functions_agent(llm=chat_model, tools=tools, prompt=prompt)agent_executor = AgentExecutor(agent=agent, tools=tools, memory=memory, verbose=True)agent_executor.invoke({"input":"单词“educati”中有多少个字母?"})agent_executor.invoke({"input":"那是一个真实的单词吗？"})

输出：

> Entering new AgentExecutor chain...Invoking: `get_word_length` with `{'word': 'educati'}`7单词“educati”中有7个字母。> Finished chain.> Entering new AgentExecutor chain...
“educati”并不是一个标准的英语单词。它可能是“education”的一个变形或拼写错误。标准英语中的相关词是“education”，意为“教育”。> Finished chain.

2. 参考

LangChain Hub https://smith.langchain.com/hub/
LangChain https://python.langchain.com/docs/introduction/
DevAGI开放平台 https://devcto.com/

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/64661.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

selenium工作原理

selenium工作原理

原文链接：https://blog.csdn.net/weixin_67603503/article/details/143226557 启动浏览器和绑定端口 当你创建一个 WebDriver 实例（如 webdriver.Chrome()）时，Selenium 会启动一个新的浏览器实例，并为其分配一个特定的…
阅读更多...
CTF知识集-SSRF

CTF知识集-SSRF

title: CTF知识集-SSRF 写在开头可能用到的提示 SSRF入口也可以尝试读文件，例如file:///etc/passwd127.0.0.1/localhost可以用127.1 | 127.0.1 来表示，做题的还可能可以用http://0 来访问本地如果过滤ip，可以尝试使用进制转换来绕过&#x…
阅读更多...
PDFMathTranslate 一个基于AI优秀的PDF论文翻译工具

PDFMathTranslate 一个基于AI优秀的PDF论文翻译工具

PDFMathTranslate 是一个设想中的工具，旨在翻译PDF文档中的数学内容。以下是这个工具的主要特点和使用方法： 链接：https://www.modelscope.cn/studios/AI-ModelScope/PDFMathTranslate 功能特点 数学公式识别：利用先进的OCR&…
阅读更多...
ChatGPT生成接口测试用例（二）

ChatGPT生成接口测试用例（二）

5.1.4 自动生成测试数据 测试数据的生成通常是接口测试的一个烦琐任务。ChatGPT可以帮助测试团队生成测试数据，包括各种输入和它们的组合。测试人员可以描述他们需要的数据类型和范围，ChatGPT可以生成符合要求的测试数据，从而减轻测试人员的负…
阅读更多...
@pytest.fixture() 跟 @pytest.fixture有区别吗？

@pytest.fixture() 跟 @pytest.fixture有区别吗？

在iOS UI 自动化工程里面最早我用的是pytest.fixture()，因为在pycharm中联想出来的fixture是带（）的，后来偶然一次我没有带（）发现也没有问题，于是详细查了一下pytest.fixture() 和 pytest.fixtur…
阅读更多...
项目管理工具Maven（一）

项目管理工具Maven（一）

Maven的概念 什么是Maven 翻译为“专家”，“内行”Maven是跨平台的项目管理工具。主要服务于基于Java平台的项目构建，依赖管理和项目信息管理。什么是理想的项目构建？ 高度自动化，跨平台，可重用的组件，标准…
阅读更多...
webstorm中vue项目import的内容不能直接ctrl+鼠标点击跳转（若依等vue项目）

webstorm中vue项目import的内容不能直接ctrl+鼠标点击跳转（若依等vue项目）

webstorm中vue项目import的内容不能直接ctrl鼠标点击跳转（若依等vue项目） https://blog.csdn.net/wangzhenhuait/article/details/121231087 https://blog.csdn.net/qq_26711723/article/details/137586701?spm1001.2101.3001.6650.5&utm_mediumd…
阅读更多...
深入解析MySQL Explain关键字：字段意义及调优策略

深入解析MySQL Explain关键字：字段意义及调优策略

一、引言 在数据库优化过程中，Explain关键字发挥着至关重要的作用。它可以帮助我们了解MySQL如何执行SQL语句，从而找出潜在的性能瓶颈。下面我们将从Explain表的各个字段入手，逐一解释其意义，并探讨如何利用Explain进行调优。 二…
阅读更多...
C++设计模式:组合模式（公司架构案例）

C++设计模式:组合模式（公司架构案例）

组合模式是一种非常有用的设计模式，用于解决**“部分-整体”**问题。它允许我们用树形结构来表示对象的层次结构，并且让客户端可以统一地操作单个对象和组合对象。 组合模式的核心思想 什么是组合模式？ 组合模式的目的是将对象组织成树形结…
阅读更多...
ElasticSearch 自动补全

ElasticSearch 自动补全

1、前言 当用户在搜索框输入字符时，我们应该提示出与该字符有关的搜索项，根据用户输入的字母，提示完整词条的功能，就是自动补全。 2、安装拼音分词器 Github地址：https://github.com/infinilabs/analysis-pinyin 插件…
阅读更多...
UML 建模实验

UML 建模实验

文章目录 实验一 用例图一、安装并熟悉软件EnterpriseArchitect16二、用例图建模 实验二 类图、包图、对象图类图第一题第二题 包图对象图第一题第二题 实验三 顺序图、通信图顺序图银行系统学生指纹考勤系统饮料自动销售系统“买到饮料”“饮料已售完”“无法找零”完整版 通信…
阅读更多...
Linux环境下 搭建ELk项目 -单机版练习

Linux环境下 搭建ELk项目 -单机版练习

前言 ELK 项目是一个由三个开源工具组成的日志处理和分析解决方案，ELK 是 Elasticsearch、Logstash 和 Kibana 的首字母缩写。这个项目的目标是帮助用户采集、存储、搜索和可视化大量的日志和事件数据，尤其是在分布式系统中。下面是每个组件的概述&…
阅读更多...
探索 Vue.js 组件开发：从基础到进阶的完整指南

探索 Vue.js 组件开发：从基础到进阶的完整指南

引言 在现代前端开发中，Vue.js 凭借其易用性和强大的功能，成为了开发者钟爱的框架之一。其核心理念——组件化开发，不仅让代码更加模块化、可维护，还大大提高了开发效率。本文将从基础入手，详细探讨 Vue.js 组件开发的…
阅读更多...
智能工厂的设计软件 三种处理单元（NPU/GPU/CPU）及其在深度学习框架中的作用 之3（百度文库答问 之1）

智能工厂的设计软件 三种处理单元（NPU/GPU/CPU）及其在深度学习框架中的作用 之3（百度文库答问 之1）

Q&A（百度文库） Q1、今天聊聊“智能工厂的设计软件”中的三种处理单元（NPU/GPU/CPU）。一般来说提起这三者就不得不说“深度学习”。那我们就从这里开始。 请先给出一个程序例子来说明NPU 如何协作CPU和GPU来完成深度学习任务 …
阅读更多...
jdk 离线安装脚本

jdk 离线安装脚本

jdk 离线安装脚本 说明脚本使用完整脚本脚本内容说明1、是否卸载原有jdk，检查安装包是否正确2、先卸载、再安装并检验安装成果 说明 经常装服务器环境，根据以前的安装经验写了个安装脚本。本人不是专业运维，也是边百度边写的，发现…
阅读更多...
HTTP 常见的请求头有哪些? 作用？常见的使用场景都有哪些？

HTTP 常见的请求头有哪些? 作用？常见的使用场景都有哪些？

在 HTTP 协议中，**请求头（Request Headers）**是客户端向服务器发送请求时附带的元数据，主要用于传递请求的相关信息，比如客户端信息、请求的格式要求、认证信息等。理解这些请求头的作用和使用场景对于开发现代 Web 应用至关重要。以下是一些常见的 HTTP 请求头及其作用和…
阅读更多...
day14-16系统服务管理和ntp和防火墙

day14-16系统服务管理和ntp和防火墙

一、自有服务概述 服务是一些特定的进程，自有服务就是系统开机后就自动运行的一些进程，一旦客户发出请求，这些进程就自动为他们提供服务，windows系统中，把这些自动运行的进程，称为"服务" window…
阅读更多...
2024年底-Sre面试回顾

2024年底-Sre面试回顾

前言 背景: 2024.11月底 公司不大行了, 裁员收缩, 12月初开始面试, 2周大概面试了十几家公司, 3个2面要去线下, 有1个还不错的offer, 想结束战斗但还没到时候 个人情况: base上海 5年经验(2年实施3年运维半年开发) 面试岗位: Sre、云原生运维、驻场运维、高级运维、实施交付 …
阅读更多...
pytest入门十：配置文件

pytest入门十：配置文件

pytest.ini：pytest的主配置文件，可以改变pytest的默认行为conftest.py：测试用例的一些fixture配置 pytest.ini marks mark 打标的执行 pytest.mark.add add需要些marks配置否则报warning [pytest] markersadd:测试打标 测试用例中添加了 p…
阅读更多...
【Rust自学】3.6. 控制流：循环

【Rust自学】3.6. 控制流：循环

3.6.0. 写在正文之前 欢迎来到Rust自学的第三章，一共有6个小节，分别是: 变量与可变性数据类型：标量类型数据类型：复合类型函数和注释控制流：if else控制流：循环（本文） 通过第二章…
阅读更多...
最新文章

Copyright @ 2022~2023