Hvordan implementere ReAct-logikken ved å bruke en agent i LangChain?

Rask oversikt

Dette innlegget vil demonstrere:

• Hvordan implementere ReAct-logikken ved å bruke en agent i LangChain
• Installere Frameworks
• Laster språkmodell
• Metode 1: Bruke LandChain Expression Language
• Byggeagent
• Metode 2: Bruke ZeroShotReactAgent
• Metode 3: Bruke Chat-modeller
• Bygge agenten
• Metode 4: Bruke ChatZeroShotReactAgent
• Konklusjon

Hvordan implementere ReAct-logikken ved å bruke en agent i LangChain?

« Reagere ' er kombinasjonen av grunn- og handlingsfasene for å forbedre ytelsen til språkmodellen som ' Re ' refererer til fornuft og ' Handling ' til handling. En ReAct-logikk regnes ofte som den mest optimaliserte for å bygge LLM-er eller chatboter for å forstå og generere tekst. Agenten er beslutningstakeren som bestemmer hvilke handlinger som skal utføres og i hvilken rekkefølge som skal utføres.

For å lære prosessen med å implementere ReAct-logikken ved å bruke en agent i LangChain, gå ganske enkelt gjennom følgende veiledning:

Trinn 1: Installere Frameworks

Først av alt, installer LangChain for å komme i gang med prosessen med å implementere ReAct-logikk:

Installer google-search-results-modulen for å få avhengighetene for å bygge agenten som kan hente søkeresultatene fra google:

Etter det, installer OpenAI-modulene som kan brukes til å laste de store språkmodellene eller LLM-ene for å implementere ReAct-logikk:

Etter å ha fått alle nødvendige moduler, konfigurerer du bare OpenAI-miljø for å bygge LLM og SerpAPI miljø for bruk av agenten i modellen:

Trinn 2: Laster språkmodell

Det neste trinnet er å laste inn språkmodellene ved å importere de nødvendige bibliotekene ved å bruke LangChain-rammeverket:

Bruk OpenAI()-metoden for å bygge språkmodellen (llm) og konfigurer deretter verktøyene for agentene ved hjelp av SerpAPI:

Metode 1: Bruke LandChain Expression Language

LCEL er prosessen med å integrere eller komponere kjeder sammen mens man bygger språkmodellene i LangChain. Start prosessen ved å installere LangChainHub for å få dens avhengigheter for å bygge og bruke ReAct-logikk med agenter i LangChain:

Importere bibliotekene fra LangChain som ReActSingleInputOutputParser for å bygge modellen som kan bruke ReAct-modellen:

Last inn språkmodellen for å designe ReAct-logikken ved å bruke pull()-metoden og lagre den i ledetekstvariabelen. Definer noen verktøy som kan brukes til å implementere logikken på det lastede datasettet for å implementere dets arbeid med en agent:

Byggeagent

Konfigurer nå agenten og dens verktøy ved å integrere den med språkmodellen lastet i trinn 2 i denne veiledningen:

Definer en agentvariabel for å gi argumentene og verktøyene for å konfigurere agenten som forklarer hvordan den fungerer. De tidligere konfigurerte delene som llm_with_stop og ReActSingleInputOutputParser()-metoden blir integrert med agenten:

Skaff deg AgentExecutor-biblioteket og konfigurer metoden ved hjelp av argumenter som agent, verktøy og detaljert for å få en mer lesbar utgang:

Påkall agent_executor()-metoden med strengspørringen som input som vil trigge agenten til å trekke ut utdataene:

Produksjon

Følgende skjermbilde viser at agenten har trukket ut informasjonen ved hjelp av ReAct-logikken og generert teksten på naturlig språk:

Metode 2: Bruke ZeroShotReactAgent

ReAct-logikken kan også implementeres ved å bruke en annen agent som ZeroShotReactAgent mens du konfigurerer agent_executor-variabelen. Deretter kaller du bare agent_executor-variabelen med spørsmålet som input for å påkalle agenten:

Produksjon

Agenten har hentet ut informasjonen basert på inndataene som ble spurt mens han påkalte agent_executor:

Metode 3: Bruke Chat-modeller

En annen prosess som kan brukes til å implementere ReAct-logikken ved å bruke chat-modellene etter import av ChatOpenAI-biblioteket:

Bygg chat-modellen ved å bruke ChatOpenAI()-metoden med verdien av temperatur lik 0 som kan kontrollere tilfeldigheten i resultatene av modellen:

Last inn modellen som brukeren kan implementere ReAct-logikken på for å lagre den i ledetekstvariabelen og konfigurer verktøyene som skal brukes i prosessen:

Bygge agenten

Bruk chat-modellen til å lagre observasjonene eller nylige meldinger når modellen slutter å generere teksten:

Få ReActJsonSingleInputOutputParser-biblioteket for å implementere ReAct-logikken og produsere resultatene i JSON-formatet:

Bygg og konfigurer agenten ved å bruke chat_model-variabelen og -metoden for å produsere resultater ved å ringe agenten:

Konfigurer agent_executor og kjør den for å få resultatene basert på spørringen i inngangsvariabelen:

Produksjon

Agenten har trukket ut utdataene som vist i følgende skjermbilde:

Metode 4: Bruke ChatZeroShotReactAgent

Endring av verdien til agenten kan også brukes til å implementere ReAct-logikken med LangChain-rammeverket:

Produksjon

Utdatastrukturen inneholder detaljert informasjon om virkemåten til agenten fra tokens og modellen som ble brukt for å trekke ut informasjonen:

Det handler om prosessen med å implementere ReAct-logikken ved å bruke en agent i LangChain.

Konklusjon

For å implementere ReAct-logikken med en agent som bruker LangChain-rammeverket, installer moduler som google-search-results for å konfigurere agenten. Deretter setter du opp miljøet ved å bruke OpenAI- og SerpAPI-legitimasjonen fra kontoene deres for å begynne å bruke modellen. ReAct-logikken kan implementeres ved å bruke LCEL- og chat-modellene med flere agenter som tilbys av LangChain-modulen. Denne veiledningen har utdypet implementeringen av ReAct-logikken ved å bruke agenten i LangChain.