一、多模态感知
-
多模态感知的定义 多模态感知指的是系统能够同时处理来自不同感官的信息，如视觉、听觉和语言输入。这使得智能体Agent能够更全面地理解复杂的环境和任务需求。 -
多模态感知的实现 多模态感知需要使用多种传感器和处理器。例如，摄像头、麦克风和文本输入设备。通过深度学习算法，智能体Agent能够将这些感知数据转换为有用的信息。
二、记忆模块
-
短期记忆 短期记忆类似于人类的大脑在处理当前任务时的临时记忆，用于快速响应和处理即时信息。 -
长短期记忆 长短期记忆结合了短期记忆和长期记忆的优势，用于在完成任务过程中保持和利用重要信息。
三、规划与决策
-
思维链 思维链是智能体Agent在决策过程中，逐步推理和演绎的过程。通过不断地思考和分析，Agent能够得出最优的解决方案。 -
反思与自我批评 反思与自我批评是智能体Agent在任务完成后，回顾和评估自身表现的过程。这一过程能够帮助Agent不断改进和优化自身算法和策略。 -
子目标分解 在复杂任务中，智能体Agent需要将整体目标分解为若干子目标，并逐一实现。这一过程需要Agent具备良好的规划和协调能力。
四、工具模块
-
搜索引擎 搜索引擎为智能Agent提供了强大的信息检索能力，能够快速查找和获取所需的信息。 -
计算器 计算器为智能体Agent提供了复杂计算能力，能够进行各种数学运算和数据处理。 -
代码解释器 代码解释器帮助智能体Agent理解和执行代码，实现自动化任务和编程操作。 -
日历 日历工具帮助智能体Agent管理时间和任务，提高工作效率。
五、行动模块
六、ReAct 核心思想是：推理+操作
1、实现 ReAct 算法的测试函数：使用 LangChain 库和 OpenAI API 来执行推理和操作。
# 以下`SERPAPI_API_KEY`仅为示例，请访问 https://serpapi.com 注册账号并替换为自己的 `API_KEY`（每月100次免费调用）def react_test():"""实现 ReAct 算法的测试函数。使用 LangChain 库和 OpenAI API 来执行推理和操作。"""os.environ["SERPAPI_API_KEY"] = os.getenv('SERPAPI_API_KEY')# 加载 LangChain 内置的 Toolstools = load_tools(["serpapi", "llm-math"], llm=llm)# 实例化 ZERO_SHOT_REACT Agentagent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)print(agent.run("谁是莱昂纳多·迪卡普里奥的女朋友？她现在年龄的0.43次方是多少"))
2、测试自我提问与搜索功能的函数：使用 SerpAPI 来执行搜索操作，并结合 LangChain 的工具和LLM进行问答。
def self_ask_with_search_test():"""测试自我提问与搜索功能的函数。使用 SerpAPI 来执行搜索操作，并结合 LangChain 的工具和LLM进行问答。"""os.environ["SERPAPI_API_KEY"] = os.getenv('SERPAPI_API_KEY')# 实例化查询工具search = SerpAPIWrapper()tools = [Tool(name="Intermediate Answer",func=search.run,description="useful for when you need to ask with search",)]# 实例化 SELF_ASK_WITH_SEARCH Agentself_ask_with_search = initialize_agent(tools, llm, agent=AgentType.SELF_ASK_WITH_SEARCH, verbose=True,handle_parsing_errors=True)# 实际运行 Agent，查询问题（正确）self_ask_with_search.run("成都举办的大运会是第几届大运会？")
3、测试函数工具的函数：使用 LangChain 和 OpenAI 来执行特定的函数操作。
def get_word_length(word: str) -> int:"""计算单词长度的工具函数。参数:word: 要计算长度的单词。返回:单词的长度。""""""Returns the length of a word."""return len(word)tools = [get_word_length]def function_test():"""测试函数工具的函数。使用 LangChain 和 OpenAI 来执行特定的函数操作。"""system_message = SystemMessage(content="你是非常强大的AI助手，但在计算单词长度方面不擅长。")prompt = OpenAIFunctionsAgent.create_prompt(system_message=system_message)agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)# 实例化 OpenAIFunctionsAgentagent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)agent_executor.run("单词“educa”中有多少个字母?")
4、测试函数记忆功能的函数：使用 LangChain 的记忆机制来保持对话上下文。
def function_memory_test():"""测试函数记忆功能的函数。使用 LangChain 的记忆机制来保持对话上下文。"""system_message = SystemMessage(content="你是非常强大的AI助手，但在计算单词长度方面不擅长。")MEMORY_KEY = "chat_history"prompt = OpenAIFunctionsAgent.create_prompt(system_message=system_message,extra_prompt_messages=[MessagesPlaceholder(variable_name=MEMORY_KEY)])memory = ConversationBufferMemory(memory_key=MEMORY_KEY, return_messages=True)agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)# 实例化 OpenAIFunctionsAgentagent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)agent_executor.run("单词“educa”中有多少个字母?")#agent_executor.run("那是一个真实的单词吗？")
5、完整代码
# 加载环境变量import openaiimport osimport tiktoken# 加载 .env 文件from dotenv import load_dotenv, find_dotenvfrom langchain.prompts import PromptTemplatefrom langchain.llms import OpenAIfrom langchain.chains import LLMChain#from langchain.chat_models import AzureChatOpenAIfrom langchain.chat_models import ChatOpenAI #直接访问OpenAI的GPT服务from langchain.agents import load_toolsfrom langchain.agents import initialize_agentfrom langchain.agents import AgentType,Toolfrom langchain.utilities import SerpAPIWrapperfrom langchain.schema import SystemMessagefrom langchain.agents import OpenAIFunctionsAgentfrom langchain.agents import AgentExecutorfrom langchain.agents import toolfrom langchain.prompts import MessagesPlaceholderfrom langchain.memory import ConversationBufferMemory# 加载环境变量_ = load_dotenv(find_dotenv())# 从环境变量中获得你的 OpenAI Key和配置URLopenai.api_key = os.getenv('OPENAI_API_KEY')openai.api_base = os.getenv('OPENAI_API_URL')model = os.getenv('OPENAI_API_MODEL')# 初始化LLM链llm = ChatOpenAI(model_name=model, temperature=0) #直接访问OpenAI的GPT服务# ReAct 核心思想是 推理+操作，本示例以` Google Search` 和 `LLM Math` 作为可选操作集合（toolkits），实现 ReAct 功能。# 以下`SERPAPI_API_KEY`仅为示例，请访问 https://serpapi.com 注册账号并替换为自己的 `API_KEY`（每月100次免费调用）def react_test():"""实现 ReAct 算法的测试函数。使用 LangChain 库和 OpenAI API 来执行推理和操作。"""os.environ["SERPAPI_API_KEY"] = os.getenv('SERPAPI_API_KEY')# 加载 LangChain 内置的 Toolstools = load_tools(["serpapi", "llm-math"], llm=llm)# 实例化 ZERO_SHOT_REACT Agentagent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)print(agent.run("谁是莱昂纳多·迪卡普里奥的女朋友？她现在年龄的0.43次方是多少"))def self_ask_with_search_test():"""测试自我提问与搜索功能的函数。使用 SerpAPI 来执行搜索操作，并结合 LangChain 的工具和LLM进行问答。"""os.environ["SERPAPI_API_KEY"] = os.getenv('SERPAPI_API_KEY')# 实例化查询工具search = SerpAPIWrapper()tools = [Tool(name="Intermediate Answer",func=search.run,description="useful for when you need to ask with search",)]# 实例化 SELF_ASK_WITH_SEARCH Agentself_ask_with_search = initialize_agent(tools, llm, agent=AgentType.SELF_ASK_WITH_SEARCH, verbose=True,handle_parsing_errors=True)# 实际运行 Agent，查询问题（正确）self_ask_with_search.run("成都举办的大运会是第几届大运会？")def get_word_length(word: str) -> int:"""计算单词长度的工具函数。参数:word: 要计算长度的单词。返回:单词的长度。""""""Returns the length of a word."""return len(word)tools = [get_word_length]def function_test():"""测试函数工具的函数。使用 LangChain 和 OpenAI 来执行特定的函数操作。"""system_message = SystemMessage(content="你是非常强大的AI助手，但在计算单词长度方面不擅长。")prompt = OpenAIFunctionsAgent.create_prompt(system_message=system_message)agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)# 实例化 OpenAIFunctionsAgentagent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)agent_executor.run("单词“educa”中有多少个字母?")def function_memory_test():"""测试函数记忆功能的函数。使用 LangChain 的记忆机制来保持对话上下文。"""system_message = SystemMessage(content="你是非常强大的AI助手，但在计算单词长度方面不擅长。")MEMORY_KEY = "chat_history"prompt = OpenAIFunctionsAgent.create_prompt(system_message=system_message,extra_prompt_messages=[MessagesPlaceholder(variable_name=MEMORY_KEY)])memory = ConversationBufferMemory(memory_key=MEMORY_KEY, return_messages=True)agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)# 实例化 OpenAIFunctionsAgentagent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)agent_executor.run("单词“educa”中有多少个字母?")#agent_executor.run("那是一个真实的单词吗？")# python 入口函数if __name__ == '__main__':#react_test()#self_ask_with_search_test()#function_test()function_memory_test()
