LangChain 提供了靈活的框架，讓開發者能輕鬆打造自訂代理，整合語言模型和各種工具。首先，載入 OpenAI 的 ChatOpenAI 模型作為語言模型核心。接著，定義 Python 函式作為代理的工具，例如計算單詞長度。透過 initialize_agent 函式，將語言模型和工具繫結，建立代理例項。利用提示範本引導代理行為，並使用 agent.run 執行代理任務。為了構建更進階的代理，可以加入記憶機制，記錄過往互動，使對話更自然流暢。實務上，可以運用 LangChain 代理構建客戶支援自動化系統，提升客戶體驗。透過分析客戶資料，識別常見問題，並建立結構化的知識函式庫，代理就能有效處理客戶諮詢。結合 LangChain 的工具和記憶體機制，打造更智慧的客戶支援代理。
建立自訂代理
在本章中，我們將探索如何使用 LangChain 建立自訂代理。透過實踐，你將掌握如何載入語言模型、定義工具、建立提示，並將所有元素繫結在一起以構建一個功能性的代理。我們還將涵蓋實際應用案例，例如客戶支援自動化、個人化推薦和實時資料分析與決策。
載入語言模型
第一步是載入語言模型。在這個例子中，你將使用 OpenAI 的 ChatOpenAI 模型，但你也可以嘗試使用其他模型：
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
定義工具
接下來，你需要為你的代理提供工具。讓我們從一個簡單的 Python 函式開始，該函式計算給定單詞的長度：
from langchain.agents import tool
@tool
def get_word_length(word: str) -> int:
"""傳回單詞的長度。"""
return len(word)
內容解密：
在上述程式碼中，我們定義了一個名為 get_word_length 的工具，該工具接受一個字串作為輸入並傳回其長度。這個工具將被用於我們的代理中，以便它可以執行特定的任務。
建立代理
現在，我們可以建立一個代理，該代理可以使用我們定義的工具。讓我們建立一個簡單的代理，該代理可以回答問題並提供資訊：
from langchain.agents import ToolNames, initialize_agent
agent = initialize_agent(llm, [get_word_length], ToolNames)
內容解密：
在這裡，我們初始化了一個代理，該代理使用我們之前載入的語言模型和定義的工具。代理現在可以執行任務並回答問題。
執行代理
最後，我們可以執行代理並檢視其在行動中的效果：
input = "計算單詞 'hello' 的長度。"
output = agent.run(input)
print(output)
充分圖示：
圖表翻譯：
此流程圖描述了建立和執行自訂代理的步驟。首先，我們載入語言模型，然後定義工具，接下來建立代理，最後執行代理以獲得輸出結果。
透過這個例子，你可以看到如何使用 LangChain 建立自訂代理，以滿足你的具體需求和應用案例。這個過程涉及載入語言模型、定義工具、建立代理和執行代理。
建立智慧代理
首先，我們需要定義工具列表，讓代理知道它可以使用哪些工具。這裡，我們定義了一個名為 get_word_length 的工具，該工具計算輸入字串的長度。
tools = [get_word_length]
建立提示
接下來，我們需要建立一個提示，該提示將指導代理的行為。這個提示包括系統訊息、使用者輸入和代理的 scratchpad（一個儲存中間步驟和工具輸出的空間）。
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
prompt = ChatPromptTemplate.from_messages(
[
("system", "您是一個非常強大的助手，但不知道當前事件"),
("user", "{input}"),
MessagesPlaceholder(variable_name="agent_scratchpad"),
]
)
將工具繫結到語言模型
然後，我們需要將工具繫結到語言模型，這樣代理就知道它有哪些能力。
llm_with_tools = llm.bind_tools(tools)
建立代理
接下來，我們需要建立代理。為此，我們需要匯入一些工具函式來格式化代理的中間步驟和解析其輸出。
from langchain.agents.format_scratchpad.openai_tools import format_to_openai_tool_messages
from langchain.agents.output_parsers.openai_tools import OpenAIToolsAgentOutputParser
agent = (
{
"input": lambda x: x["input"],
"agent_scratchpad": lambda x: format_to_openai_tool_messages(x["intermediate_steps"]),
}
| prompt
| llm_with_tools
| OpenAIToolsAgentOutputParser()
)
測試代理
最後，我們可以測試代理了。為此，我們需要建立一個 AgentExecutor 來與代理互動。
from langchain.agents import AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
list(agent_executor.stream({"input": "單詞 'first' 有多少個字母"}))
這將輸出類別似於以下的結果：
進入新的 AgentExecutor 鏈… 呼叫：
get_word_lengthwith{'word': 'first'}5 單詞 “first” 有 5 個字母。 鏈結完成。
內容解密：
上述程式碼展示瞭如何建立一個智慧代理，該代理可以使用工具來回答使用者的問題。代理首先定義工具列表，然後建立提示和語言模型。接下來，代理建立一個 AgentExecutor 來與使用者互動。當使用者輸入問題時，代理使用工具來計算答案，並將結果輸出給使用者。
圖表翻譯：
以下是代理工作流程的 Plantuml 圖表：
這個圖表展示了代理如何接收使用者輸入，呼叫工具計算答案，並將結果輸出給使用者。
建立記憶力強大的對話機器人
要讓你的機器人記住之前的互動並進行更自然的對話，你需要在提示中新增一個聊天記錄的佔位符。
首先，定義一個聊天記錄的鍵：
MEMORY_KEY = "chat_history"
然後，建立一個提示範本，包含聊天記錄的佔位符：
prompt = ChatPromptTemplate.from_messages(
[
("system", "你是一個非常強大的助手，但不擅長計算單詞的長度。"),
MessagesPlaceholder(variable_name=MEMORY_KEY),
("user", "{input}"),
MessagesPlaceholder(variable_name="agent_scratchpad"),
]
)
接下來，建立一個列表來跟蹤聊天記錄：
chat_history = []
更新你的機器人和 AgentExecutor，以包含聊天記錄：
agent = (
{
"input": lambda x: x["input"],
"agent_scratchpad": lambda x: format_to_openai_tool_messages(x["intermediate_steps"]),
"chat_history": lambda x: x["chat_history"],
}
| prompt
| llm_with_tools
| OpenAIToolsAgentOutputParser()
)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
現在，當你與你的機器人互動時，跟蹤輸入和輸出作為聊天記錄：
input1 = "第一個單詞有多少個字母？"
result = agent_executor.invoke({"input": input1, "chat_history": chat_history})
chat_history.extend(
[
HumanMessage(content=input1),
AIMessage(content=result["output"]),
]
)
agent_executor.invoke({"input": "那是真的嗎？", "chat_history": chat_history})
你的機器人現在可以進行回合對話，記住之前的互動並提供有關聯的回應。
實際應用案例：客戶支援自動化
在這個部分，我們將探討如何使用機器人來自動化和簡化你的客戶支援流程。如果你有一個業務，客戶基數不斷增長，你想提供頂級的支援而不會讓你的團隊不堪重負，這個案例可以幫助你。建立一個自助支援系統，可以高效地處理常見的客戶詢問。
以下是流程中的步驟：
- 識別常見客戶詢問：分析你的客戶支援資料，以識別最常見的問題和詢問。
- 分類別詢問：將這些詢問分類別為不同的主題或類別，例如產品資訊、故障排除、計費等。
內容解密：
上述程式碼使用了 LangChain 的 ChatPromptTemplate 來建立一個提示範本，包含聊天記錄的佔位符。MessagesPlaceholder 函式用於建立佔位符，variable_name 引數指定了佔位符的名稱。在更新機器人和 AgentExecutor 時，我們使用了 lambda 函式來定義輸入、代理記錄和聊天記錄的處理邏輯。
圖表翻譯：
此圖表展示了建立記憶力強大的對話機器人的流程，從建立聊天記錄佔位符到跟蹤輸入和輸出作為聊天記錄。
建立知識函式庫
為了提供高效的客戶支援，首先需要建立一個全面且有組織的知識函式庫。這個知識函式庫應該涵蓋所有已經確定的主題，並提供清晰、簡潔的答案給常見的問題。知識函式庫可以以 FAQ 頁面、產品檔案或故障排除等結構化格式來組織。
設定代理
使用 LangChain 代理框架來建立客戶支援自動化系統。首先，需要安裝和匯入必要的函式庫：
%pip install --upgrade --quiet langchain-openai tavily-python langchain_community langchain_openai
然後，從 LangChain 函式庫中匯入必要的模組：
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
定義工具和記憶
建立工具，允許代理存取和檢索知識函式庫中的資訊：
def search_knowledge_base(query):
# 實作邏輯來搜尋知識函式庫根據查詢
# 傳回最相關的答案或資訊
pass
tools = [
Tool(
name="知識函式庫搜尋",
func=search_knowledge_base,
description="用於搜尋知識函式庫以回答客戶詢問。"
)
]
設定一個記憶體物件來儲存對話歷史：
memory = ConversationBufferMemory(memory_key="chat_history")
初始化代理
初始化代理，傳入工具和記憶體：
agent = initialize_agent(
tools,
OpenAI(temperature=0),
agent="conversational-react-description",
verbose=True,
memory=memory
)
整合代理到客戶支援通路
實作一個使用者介面，例如聊天機器人或網頁表單，讓客戶可以與代理互動。使用代理來處理來自客戶的詢問：
def handle_inquiry(inquiry):
response = agent.run(inquiry)
return response
# 示例用法
customer_inquiry = "如何重置我的帳戶密碼？"
內容解密：
在上述程式碼中，我們定義了一個search_knowledge_base函式，用於搜尋知識函式庫以回答客戶詢問。然後，我們建立了一個Tool物件，將這個函式包裝成一個工具，供代理使用。代理透過這個工具可以存取知識函式庫中的資訊。
圖表翻譯：
@startuml
skinparam backgroundColor #FEFEFE
skinparam componentStyle rectangle
title LangChain打造自訂代理與應用
package "LangChain 代理架構" {
package "核心元件" {
component [ChatOpenAI LLM] as llm
component [自訂工具 Tools] as tools
component [提示範本 Prompt] as prompt
}
package "代理機制" {
component [Agent 初始化] as init
component [記憶機制 Memory] as mem
component [推理引擎] as reason
}
package "應用場景" {
component [客戶支援自動化] as support
component [個人化推薦] as rec
component [實時資料分析] as realtime
}
}
llm --> init : 語言模型
tools --> init : 工具繫結
prompt --> init : 行為引導
init --> reason : 代理實例
mem --> reason : 對話歷史
reason --> support : 問答處理
reason --> rec : 智能推薦
reason --> realtime : 決策支援
note right of mem : 記錄過往互動\n自然對話流程
note right of support : 知識庫整合\n常見問題處理
@enduml
此圖表展示了客戶支援自動化系統的工作流程。客戶提出詢問，代理接收並搜尋知識函式庫以找到答案，然後傳回答案給客戶。
從技術架構視角來看，本章深入探討瞭如何利用 LangChain 框架構建自訂代理，涵蓋了從載入語言模型、定義工具、設計提示到整合記憶體等關鍵環節。文章清晰地展示了代理的工作流程，並透過實際案例闡述了其在客戶支援自動化等領域的應用價值。然而，目前提供的知識函式庫搜尋功能僅為示意性程式碼，缺乏具體的實作細節。在實際應用中，需要根據具體的知識函式庫格式和查詢需求，選擇合適的搜尋策略和演算法，例如向量資料函式庫搜尋或根據關鍵字的全文檢索，才能確保代理有效地從知識函式庫中提取所需資訊。此外，文章雖提及了個人化推薦和實時資料分析等應用場景，但並未提供具體的實作範例，這限制了讀者對代理功能的全面理解。展望未來，隨著大語言模型和工具生態的持續發展，預計 LangChain 代理將在更廣泛的領域發揮作用，例如自動化工作流程、知識問答系統以及智慧型個人助理等。對於開發者而言，深入理解 LangChain 框架的運作機制，並掌握如何根據特定需求設計和最佳化代理，將成為釋放其巨大潛力的關鍵。玄貓認為，LangChain 代理代表了未來人機互動的重要發展方向，值得技術團隊投入更多資源進行研究和探索。