代理 Agents
代理的核心思想是使用一个语言模型来选择一系列的动作。在链式编程中，一系列的动作是硬编码的（在代码中）。而在代理中，使用语言模型作为推理引擎来确定要采取的动作及其顺序。
这里有几个关键组件：
代理（Agent）
这是负责决定下一步采取什么动作的类。它由一个语言模型和一个提示驱动。这个提示可以包括以下内容：
- 代理的个性（有助于使其以某种方式回应）
- 代理的背景上下文（有助于为其提供更多关于所要求执行的任务类型的上下文）
- 触发更好推理的提示策略（最著名/广泛使用的是ReAct）
LangChain提供了几种不同类型的代理供您开始使用。即使如此，您也可以自定义这些代理。有关代理类型的完整列表，请参见代理类型
工具（Tools）
工具是代理调用的函数。这里有两个重要的考虑因素：
- 给代理提供正确的工具访问权限
- 以对代理最有帮助的方式描述这些工具
如果两者都没有，您尝试构建的代理将无法工作。如果您没有给代理提供正确的工具集，它将永远无法完成目标。如果您没有正确描述工具，代理将不知道如何正确使用它们。
LangChain提供了一套广泛的工具供您开始使用，但也可以轻松定义自己的工具（包括自定义描述）。有关工具的完整列表，请参见这里
工具包（Toolkits）
对于代理而言，它能够访问的工具集比单个工具更重要。因此，LangChain提供了工具包的概念 - 一组用于实现特定目标的工具。通常一个工具包中包含3-5个工具。
LangChain提供了一套广泛的工具包供您开始使用。有关工具包的完整列表，请参见这里
代理执行器（AgentExecutor）
代理执行器是代理的运行时。它实际上调用代理并执行其选择的动作。以下是该运行时的伪代码：
next_action = agent.get_action(...)
while next_action != AgentFinish:
observation = run(next_action)
next_action = agent.get_action(..., next_action, observation)
return next_action
虽然这看起来很简单，但这个运行时为您处理了几个复杂性，包括：
- 处理代理选择不存在的工具的情况
- 处理工具出错的情况
- 处理代理产生的无法解析为工具调用的输出的情况
- 在所有级别上进行日志记录和可观察性（代理决策、工具调用），可以输出到stdout或LangSmith。
其他类型的代理运行时
AgentExecutor类是LangChain支持的主要代理运行时。然而，我们还支持其他更实验性的运行时。这些包括：
开始使用
本文将介绍如何开始构建一个代理。我们将使用LangChain代理类，但展示如何自定义它以提供特定的上下文。然后我们将定义自定义工具，最后在标准的LangChain AgentExecutor中运行它。
设置代理
我们将使用OpenAIFunctionsAgent。这是最简单和最好的代理程序，适合入门。但是，它需要使用ChatOpenAI模型。如果您想使用其他语言模型，我们建议使用ReAct代理程序。
在本指南中，我们将构建一个具有自定义工具访问权限的自定义代理程序。我们选择这个示例是因为我们认为在大多数情况下，您需要自定义代理程序或工具。我们将给代理程序提供一个计算单词长度的工具。这很有用，因为由于标记化，LLMs实际上可能会出错。我们首先创建一个没有记忆的代理程序，然后再展示如何添加记忆。记忆是启用对话的必需品。
首先，让我们加载我们要用来控制代理程序的语言模型。
from langchain.chat_models import ChatOpenAI
llm = ChatOpenAI(temperature=0)
接下来，让我们定义一些要使用的工具。让我们编写一个非常简单的Python函数来计算传入的单词的长度。
from langchain.agents import tool
@tool
def get_word_length(word: str) -> int:
"""返回单词的长度。"""
return len(word)
tools = [get_word_length]
现在让我们创建提示。我们可以使用OpenAIFunctionsAgent.create_prompt辅助函数自动创建提示。这允许多种不同的自定义方式，包括传入自定义的SystemMessage，我们将这样做。
from langchain.schema import SystemMessage
from langchain.agents import OpenAIFunctionsAgent
system_message = SystemMessage(content="你是一个非常强大的助手，但在计算单词长度方面不太好。")
prompt = OpenAIFunctionsAgent.create_prompt(system_message=system_message)
将这些部分组合在一起，我们现在可以创建代理程序。
agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)
最后，我们创建AgentExecutor - 代理程序的运行时。
from langchain.agents import AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
现在让我们来测试一下！
agent_executor.run("单词educa有多少个字母？")
输出结果如下：
> 进入新的AgentExecutor链...
调用：`get_word_length`，参数为`{'word': 'educa'}`
5
单词"educa"中有5个字母。
> 完成链。
'单词"educa"中有5个字母。'
太棒了 - 我们有了一个代理程序！但是，这个代理程序是无状态的 - 它不记得之前的交互。这意味着您不能轻松地提出后续问题。让我们通过添加记忆来修复这个问题。
为了做到这一点，我们需要做两件事：
- 在提示中添加一个存储记忆变量的位置
- 在AgentExecutor中添加记忆（请注意，我们将其添加到这里，而不是添加到代理程序中，因为这是最外层的链）
首先，在提示中添加一个存储记忆的位置。我们通过使用键为"chat_history"的消息占位符来实现。
from langchain.prompts import MessagesPlaceholder
MEMORY_KEY = "chat_history"
prompt = OpenAIFunctionsAgent.create_prompt(
system_message=system_message,
extra_prompt_messages=[MessagesPlaceholder(variable_name=MEMORY_KEY)]
)
接下来，让我们创建一个记忆对象。我们将使用ConversationBufferMemory来实现。重要的是，我们将memory_key也设置为"chat_history"（以与提示对齐），并设置return_messages（使其返回消息而不是字符串）。
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(memory_key=MEMORY_KEY, return_messages=True)
然后，我们将它们组合在一起！
agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, memory=memory, verbose=True)
agent_executor.run("单词educa有多少个字母？")
agent_executor.run("这是一个真实的单词吗？")
