Skip to main content

自定义多动作代理

本笔记本介绍如何创建自己的自定义代理。

代理由两部分组成：

  • 工具：代理可用的工具。
  • 代理类本身：决定采取哪种动作。

在本笔记本中，我们将介绍如何创建一个可以预测/一次执行多个步骤的自定义代理。

from langchain.agents import Tool, AgentExecutor, BaseMultiActionAgent
from langchain import OpenAI, SerpAPIWrapper

API 参考：​

def random_word(query: str) -> str:
    print("\n现在我正在执行这个操作！")
    return "foo"

search = SerpAPIWrapper()
tools = [
    Tool(
        name="Search",
        func=search.run,
        description="当你需要回答关于当前事件的问题时很有用",
    ),
    Tool(
        name="RandomWord",
        func=random_word,
        description="调用此函数以获取一个随机单词。",
    ),
]
from typing import List, Tuple, Any, Union
from langchain.schema import AgentAction, AgentFinish


class FakeAgent(BaseMultiActionAgent):
    """虚拟自定义代理。"""

    @property
    def input_keys(self):
        return ["input"]

    def plan(
        self, intermediate_steps: List[Tuple[AgentAction, str]], **kwargs: Any
    ) -> Union[List[AgentAction], AgentFinish]:
        """给定输入，决定要做什么。

        参数:
            intermediate_steps: LLM 到目前为止所采取的步骤，以及观察结果
            **kwargs: 用户输入。

        返回:
            指定要使用的工具的动作。
        """
        if len(intermediate_steps) == 0:
            return [
                AgentAction(tool="Search", tool_input=kwargs["input"], log=""),
                AgentAction(tool="RandomWord", tool_input=kwargs["input"], log=""),
            ]
        else:
            return AgentFinish(return_values={"output": "bar"}, log="")

    async def aplan(
        self, intermediate_steps: List[Tuple[AgentAction, str]], **kwargs: Any
    ) -> Union[List[AgentAction], AgentFinish]:
        """给定输入，决定要做什么。

        参数:
            intermediate_steps: LLM 到目前为止所采取的步骤，以及观察结果
            **kwargs: 用户输入。

        返回:
            指定要使用的工具的动作。
        """
        if len(intermediate_steps) == 0:
            return [
                AgentAction(tool="Search", tool_input=kwargs["input"], log=""),
                AgentAction(tool="RandomWord", tool_input=kwargs["input"], log=""),
            ]
        else:
            return AgentFinish(return_values={"output": "bar"}, log="")

API 参考：​

agent = FakeAgent()
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, tools=tools, verbose=True
)
agent_executor.run("截至2023年加拿大有多少人口？")
> 进入新的 AgentExecutor 链...
加拿大的当前人口为38,669,152，截至2023年4月24日星期一，根据世界计量器对最新联合国数据的阐述。
现在我正在执行这个操作！
foo
> 完成链。
'bar'