0 前言
这将所有可用的代理按照几个维度进行分类。
预期模型类型
用于聊天模型（接收信息，输出信息）或 LLM（接收字符串，输出字符串）。这主要影响所使用的提示策略。
支持聊天历史记录
这些代理类型是否支持聊天历史记录。如果支持，就意味着可以作为聊天机器人使用。如果不支持，则意味着它更适合单一任务。支持聊天记录通常需要更好的模型，因此早期针对较差模型的代理类型可能不支持聊天记录。
支持多输入工具
这些代理类型是否支持多输入工具。如果一个工具只需要单一输入，那么 LLM 通常更容易知道如何调用它。因此，早期几种针对较差模型的代理类型可能不支持它们。
支持并行函数调用
让 LLM 同时调用多个工具可以大大加快代理的速度，无论是否有任务需要通过这样做来协助。不过，LLM 要做到这一点要困难得多，因此有些代理类型不支持这一点。
所需模型参数
该代理是否要求模型支持任何附加参数。有些代理类型会利用 OpenAI 函数调用等功能，这就需要其他模型参数。如果不需要，则表示一切都通过提示完成。
何时应考虑使用该代理类型：
| Agent Type | Intended Model Type | Supports Chat History | Supports Multi-Input Tools | Supports Parallel Function Calling | Required Model Params | When to Use |
|---|---|---|---|---|---|---|
| OpenAI Tools | Chat | ✅ | ✅ | ✅ | tools |
若使用的最新OpenAI model (1106+) |
| OpenAI Functions | Chat | ✅ | ✅ | functions |
如果您使用的是 OpenAI 模型，或者是针对函数调用进行了微调并公开了与 OpenAI 相同函数参数的开源模型 | |
| XML | LLM | ✅ | Anthropic模型或其他擅长 XML 的模型 | |||
| Structured Chat | Chat | ✅ | ✅ | 如果您需要支持具有多个输入的工具，并且正在使用不支持函数调用的模型 | ||
| ReAct | LLM | ✅ | 简化模型 |
来看看内置的主要agent类型：
1 OPENAI_FUNCTIONS
Openai函数调用型，某些模型（如 OpenAI 的 gpt-3.5-turbo 和 gpt-4）已经过微调，可以检测函数何时应该被调用，并响应应该传递给函数的输入。在 API 调用中，你可描述函数，并让模型智能地选择输出一个包含参数的 JSON 对象来调用这些函数。
OPENAI_FUNCTIONS代理旨在与这些模型配合使用。
2 ZERO_SHOT_REACT_DESCRIPTION
零样本增强生成型
from langchain.agents import (
load_tools,
initialize_agent,
AgentType,
)
import os
os.environ["SERPAPI_API_KEY"] = "xxx"
# 定义llm
class QwenTurboTongyi(Tongyi):
model_name = "qwen-turbo"
llm = QwenTurboTongyi(temperature=1)
tools = load_tools(["serpapi","llm-math"],llm=llm)
agent = initialize_agent(
tools,
llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=True,
)
print(agent)
print(agent.agent.llm_chain.prompt.template)
agent.invoke("现在美国总统是谁？他的年龄除以2是多少？")
3 CHAT_ZERO_SHOT_REACT_DESCRIPTION
零样本增强生成型（对话），使用了chatmodel
tools = load_tools(["serpapi","llm-math"],llm=llm)
agent = initialize_agent(
tools,
llm,
agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
verbose=True,
)
print(agent)
print(agent.agent.llm_chain.prompt.messages[0].prompt.template)
agent.invoke("现在美国总统是谁？他的年龄除以2是多少？")
4 CONVERSATIONAL_REACT_DESCRIPTION
对话增强生成型
from langchain.memory import ConversationBufferMemory
#记忆组件
memory = ConversationBufferMemory(
memory_key="chat_history",
)
tools = load_tools(["serpapi","llm-math"],llm=llm)
agent = initialize_agent(
tools,
llm,
agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
memory=memory,#记忆组件
verbose=True,
)
print(agent)
print(agent.agent.llm_chain.prompt.template)
agent.run("hi i am JavaEdge")
agent.run("what is my name?")
agent.run("有什么好吃的中国菜可以推荐给我吗?")
agent.run(input="我都没吃过！我名字的最后一个字母是什么？1998年的世界杯谁夺冠了？")
5 STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION
结构化对话生成增强型
from langchain.memory import ConversationBufferMemory
#记忆组件
memory = ConversationBufferMemory(
memory_key="chat_history",
return_messages=True,
)
tools = load_tools(["serpapi","llm-math"],llm=llm)
agent = initialize_agent(
tools,
llm,
agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
memory=memory,#记忆组件
handle_parsing_errors=True,
verbose=True,
)
print(agent)
print(agent.agent.llm_chain.prompt.messages[0].prompt.template)
print(agent.agent.llm_chain.prompt.messages[1].prompt.template)
关注我，紧跟本系列专栏文章，咱们下篇再续！
作者简介：魔都架构师，多家大厂后端一线研发经验，在分布式系统设计、数据平台架构和AI应用开发等领域都有丰富实践经验。
各大技术社区头部专家博主。具有丰富的引领团队经验，深厚业务架构和解决方案的积累。
负责：
- 中央/分销预订系统性能优化
- 活动&券等营销中台建设
- 交易平台及数据中台等架构和开发设计
- 车联网核心平台-物联网连接平台、大数据平台架构设计及优化
- LLM应用开发
目前主攻降低软件复杂性设计、构建高可用系统方向。
参考：
本文由博客一文多发平台 OpenWrite 发布！
网友评论