AI菜鸟向前飞 — LangChain系列之十四 - Agent系列：从现象看机制（上篇）

上一篇介绍了Agent与LangGraph的基础技能Tool的必知必会

AI菜鸟向前飞 — LangChain系列之十三 - 关于Tool的必知必会

前面已经详细介绍了Promp、RAG，终于来到Agent系列（别急后面还有LangGraph），大家可以先看下这张图：看完我这系列就都懂了：）

牛刀初试

由于本篇是入门，我们直接边看程序边熟悉整个过程吧先以BaseTool的方式实现一个Tool，代码如下：

class search_article(BaseTool):name = "search_article"description = "查询所有的文章来源"def _run(self, topic: str):return chain_rag.invoke({"question": topic})

关于chain_rag的内容，请参考我的这篇公众号文章

LangChain实战技巧之二：RunnablePassthrough.assign的两则妙用

我们看看两种Agent的“书写”方式

第一种

agent = (RunnablePassthrough.assign(agent_scratchpad=lambda x: format_to_tool_messages(x["intermediate_steps"]))| hub.pull("hwchase17/openai-tools-agent")| model.bind_tools(tools=[search_article()])| ToolsAgentOutputParser()
)

第二种

agent = create_tool_calling_agent(prompt=hub.pull("hwchase17/openai-tools-agent"), llm=model, tools=[search_article()])

你喜欢哪种呢？

接下来你是不是想执行看看效果，结果会让你大跌眼镜、你没有眼镜的话配一个先～

res = agent.invoke({"input": "AI菜鸟向前飞系列文章出自哪里?", "intermediate_steps": []})

这里为什么要加这个"intermediate_steps"，不加会报错，不信你试试，若要知道这个机制请看下篇：）

输出结果

# 输出了这样一坨
[ToolAgentAction(tool='search_article', tool_input={'topic': 'AI菜鸟向前飞'}, log="\nInvoking: `search_article` with `{'topic': 'AI菜鸟向前飞'}`\n\n\n", message_log=[AIMessage(content='', additional_kwargs={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'd12bfa56-e394-48a0-bff1-97f76dabe92f', 'tool_calls': [{'id': '5617aa7b3ed74d1789befac4b6a9d573', 'function': {'name': 'search_article', 'arguments': '{"topic": "AI\\u83dc\\u9e1f\\u5411\\u524d\\u98de"}'}, 'type': 'function'}], 'token_count': {'output_tokens': 12}}, response_metadata={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'd12bfa56-e394-48a0-bff1-97f76dabe92f', 'tool_calls': [{'id': '5617aa7b3ed74d1789befac4b6a9d573', 'function': {'name': 'search_article', 'arguments': '{"topic": "AI\\u83dc\\u9e1f\\u5411\\u524d\\u98de"}'}, 'type': 'function'}], 'token_count': {'output_tokens': 12}}, id='run-592cded4-3fb7-48d3-99d7-87166d7bb232-0', tool_calls=[{'name': 'search_article', 'args': {'topic': 'AI菜鸟向前飞'}, 'id': '092624d480bd461daacc54fdda64c7b5'}])], tool_call_id='092624d480bd461daacc54fdda64c7b5')]

直截了当看结果

通常的教法，应该是你需要引入AgentExecutor，而如果我也是这样跟大家介绍的话，就不是我这个系列的风格了：）

如果用AgentExecutor的话，代码如下：

agent_executor = AgentExecutor(agent=agent, tools=[search_article()], verbose=True)
# 然后再invoke就能得到你想要的
agent_executor.invoke("AI菜鸟向前飞系列文章出自哪里?")

直截了当

{'input': 'AI菜鸟向前飞系列文章出自哪里?', 'output': 'AI菜鸟向前飞系列文章出自Song榆钱儿的公众号。'}

（换个方式）直奔Agent

但是跑题了，我们主要讲的是Agent，而不是AgentExecutor，也就是说如果仅用Agent呢？

看到输出内容

[ToolAgentAction(tool='search_article', tool_input={'topic': 'AI菜鸟向前飞'}, ……

聪明的小伙伴可以用Python去解决问题，如下：

# 为啥这里要用这个，因为它是列表啊，为啥是列表，以后再介绍
for each in res:result = {"search_article": search_article()}[each.tool].invoke(each.tool_input)print(result)

最后它确实被执行，结果如下：

content='AI菜鸟向前飞系列文章是出自公众号"Song榆钱儿"的原创作品。截至目前，该系列已经有20多篇原创文章，并且拥有109名关注者。' additional_kwargs={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'f12940a2-38de-4bba-a7b0-254f40c90596', 'token_count': {'input_tokens': 156, 'output_tokens': 44}} response_metadata={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'f12940a2-38de-4bba-a7b0-254f40c90596', 'token_count': {'input_tokens': 156, 'output_tokens': 44}} id='run-f7cc290b-34f8-4eca-bcfa-85c3bcf2b74e-0'

也就是都是RAG的“功劳”，上面代码提到的：

………………
return chain_rag.invoke({"question": topic})

柳暗花明

各位看官会想，这跟我单独执行Tool函数有啥区别，绕了一个大圈子，这秘密就存在于"intermediate_steps"当中（卖个关子，后面介绍）先看如下代码：

intermediate_steps = []
while not isinstance(res := agent.invoke({"input": "AI菜鸟向前飞系列文章出自哪里?", "intermediate_steps": intermediate_steps}), AgentFinish):for each in res:func_ret = {"search_article": search_article()}[each.tool].invoke(each.tool_input)intermediate_steps.append((each, func_ret.content))

是不是感觉跟用AgentExecutor一样了：）

简述ReAct

最后分享一个聊到Agent 大部分博文都会提到的ReAct （Reason Act），以一个示例来演示下吧，各处重要内容，我都加上了注释来为大家解释：）

> Entering new AgentExecutor chain...
# 思考
Thought: I can answer this question by searching for the source of the "AI菜鸟向前飞" series.# 行动
Action: search_article
Action Input: AI菜鸟向前飞# 观察
Observation content='AI菜鸟向前飞系列文章是出自Song榆钱儿的公众号。该系列文章目前已经有20多篇原创文章，并且已有109人关注。' additional_kwargs={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'e07bf920-967a-4269-bae0-6acd4358a90f', 'token_count': {'input_tokens': 158, 'output_tokens': 38}} response_metadata={'documents': None, 'citations': None, 'search_results': None, 'search_queries': None, 'is_search_required': None, 'generation_id': 'e07bf920-967a-4269-bae0-6acd4358a90f', 'token_count': {'input_tokens': 158, 'output_tokens': 38}} id='run-efd02271-a86f-4dee-bd0e-0e9133efd7b7-0'
# 找到正解
Final Answer: AI菜鸟向前飞系列文章出自Song榆钱儿的公众号。该系列文章目前已经有20多篇原创文章，并且已有109人关注。> Finished chain.
{'input': 'AI菜鸟向前飞系列文章出自哪里?', 'output': 'AI菜鸟向前飞系列文章出自Song榆钱儿的公众号。该系列文章目前已经有20多篇原创文章，并且已有109人关注。'}

原理过程图：关于这张图，后面若大家有需要我再详细深入讲解