分类目录：《大模型从入门到应用》总目录
LangChain系列文章：
- 基础知识
- 快速入门
- 安装与环境配置
- 链（Chains）、代理（Agent:）和记忆（Memory）
- 快速开发聊天模型
- 模型（Models）
- 基础知识
- 大型语言模型（LLMs）
- 基础知识
- LLM的异步API、自定义LLM包装器、虚假LLM和人类输入LLM（Human Input LLM）
- 缓存LLM的调用结果
- 加载与保存LLM类、流式传输LLM与Chat Model响应和跟踪tokens使用情况
- 聊天模型（Chat Models）
- 基础知识
- 使用少量示例和响应流式传输
- 文本嵌入模型
- Aleph Alpha、Amazon Bedrock、Azure OpenAI、Cohere等
- Embaas、Fake Embeddings、Google Vertex AI PaLM等
- 提示（Prompts）
- 基础知识
- 提示模板
- 基础知识
- 连接到特征存储
- 创建自定义提示模板和含有Few-Shot示例的提示模板
- 部分填充的提示模板和提示合成
- 序列化提示信息
- 示例选择器（Example Selectors）
- 输出解析器（Output Parsers）
- 记忆（Memory）
- 基础知识
- 记忆的类型
- 会话缓存记忆、会话缓存窗口记忆和实体记忆
- 对话知识图谱记忆、对话摘要记忆和会话摘要缓冲记忆
- 对话令牌缓冲存储器和基于向量存储的记忆
- 将记忆添加到LangChain组件中
- 自定义对话记忆与自定义记忆类
- 聊天消息记录
- 记忆的存储与应用
- 索引（Indexes）
- 基础知识
- 文档加载器（Document Loaders）
- 文本分割器（Text Splitters）
- 向量存储器（Vectorstores）
- 检索器（Retrievers）
- 链（Chains）
- 基础知识
- 通用功能
- 自定义Chain和Chain的异步API
- LLMChain和RouterChain
- SequentialChain和TransformationChain
- 链的保存（序列化）与加载（反序列化）
- 链与索引
- 文档分析和基于文档的聊天
- 问答的基础知识
- 图问答（Graph QA）和带来源的问答（Q&A with Sources）
- 检索式问答
- 文本摘要（Summarization）、HyDE和向量数据库的文本生成
- 代理（Agents）
- 基础知识
- 代理类型
- 自定义代理（Custom Agent）
- 自定义MRKL代理
- 带有ChatModel的LLM聊天自定义代理和自定义多操作代理（Custom MultiAction Agent）
- 工具
- 基础知识
- 自定义工具（Custom Tools）
- 多输入工具和工具输入模式
- 人工确认工具验证和Tools作为OpenAI函数
- 工具包（Toolkit）
- 代理执行器（Agent Executor）
- 结合使用Agent和VectorStore
- 使用Agents的异步API和创建ChatGPT克隆
- 处理解析错误、访问中间步骤和限制最大迭代次数
- 为代理程序设置超时时间和限制最大迭代次数和为代理程序和其工具添加共享内存
- 计划与执行
- 回调函数（Callbacks）
有些应用程序不仅需要预先确定的LLM或其他工具调用链，而且可能需要根据用户输入的不同而产生不同的链条。在这些类型的链条中，有一个“代理”可以访问一套工具。根据用户输入，代理可以决定是否调用其中任何一个工具。在本文中，我们首先“快速入门”代理，介绍如何以端到端的方式使用与代理相关的所有内容。
代理使用LLM来确定采取哪些行动以及顺序。 一个动作可以是使用工具并观察其输出，或返回给用户。当代理被正确使用时，它们可以非常强大。本文的目的是向您展示如何通过最简单、最高级别的API轻松使用代理。为了使用代理，我们应该搜下了解以下概念：
- 工具（Tools）：执行特定任务的功能，即有关预定义工具及其规范的列表。这可以是Google 搜索、数据库查找、 Python REPL、其他链。工具的接口目前是一个函数，预计将有一个字符串作为输入，一个字符串作为输出。
- 大语言模型（LLM）：为代理提供动力的语言模型。
- 代理（Agents）：要使用的代理，即有关受支持的Agent及其规范的列表。这应该是引用支持代理类的字符串。因为本文主要关注最简单、最高级别的API，所以它只涉及使用标准支持的代理。如果要实现自定义代理，可以参考《自然语言处理从入门到应用——LangChain：代理（Agents）》系列后续文章。
from langchain.agents import load_tools
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain.llms import OpenAI
首先，让我们加载我们要使用的语言模型来控制代理。
llm = OpenAI(temperature=0)
接下来，我们加载一些要使用的工具。请注意，llm-math工具使用LLM，因此我们需要传递它：
tools = load_tools(["serpapi", "llm-math"], llm=llm)
最后，我们使用工具、语言模型和我们想要使用的代理类型初始化一个代理：
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
测试代理：
agent.run("Who is Leo DiCaprio's girlfriend? What is her current age raised to the 0.43 power?")
输出：文章来源：https://www.toymoban.com/news/detail-547193.html
> Entering new AgentExecutor chain...
I need to find out who Leo DiCaprio's girlfriend is and then calculate her age raised to the 0.43 power.
Action: Search
Action Input: "Leo DiCaprio girlfriend"
Observation: Camila Morrone
Thought: I need to find out Camila Morrone's age
Action: Search
Action Input: "Camila Morrone age"
Observation: 25 years
Thought: I need to calculate 25 raised to the 0.43 power
Action: Calculator
Action Input: 25^0.43
Observation: Answer: 3.991298452658078
Thought: I now know the final answer
Final Answer: Camila Morrone is Leo DiCaprio's girlfriend and her current age raised to the 0.43 power is 3.991298452658078.
> Finished chain.
参考文献：
[1] LangChain 🦜️🔗 中文网，跟着LangChain一起学LLM/GPT开发：https://www.langchain.com.cn/
[2] LangChain中文网 - LangChain 是一个用于开发由语言模型驱动的应用程序的框架：http://www.cnlangchain.com/文章来源地址https://www.toymoban.com/news/detail-547193.html
到了这里，关于自然语言处理从入门到应用——LangChain：代理（Agents）-[基础知识]的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
