文章总结了使用Langchain Agent解决复杂多步问题的方法，适用于可拆分为多个子模块的问题场景。Agent通过Thought-Action-Observation循环自动选择并执行动作，无需手动编写if/else逻辑。Langchain提供工具支持，用户可自定义工具并封装成代理程序，实现模块化复用。Agent相比Chain更动态，由大模型决策过程。文章启发是将方法封装成代理，利用大语言模型组装积木块解决问题。
1 适用场景
·
需要多步组合、选择路径的复杂问题。
·
·
该问题可以被拆分成多个子模块，每个子模块都能清晰地定义输入、输出和功能，并能判断是否达成目标。
·
·
可能感觉有解决的方法，但不能确定具体的每一步方法。
·
·
可能存在多种组合方式，而不仅限于单一的方法，并且我们无法确定最优的解决方案。
·
·
对于单个模块而言，只需将接口描述清楚，无需过多考虑它与其他模块之间的调用关系。
·
2 原理
Thought->Action->Observation (Repeated
many times)。
代理根据用户输入及当前状态选择一个动作，执行该动作并观察结果，然后继续下一个动作。
有了代理，就不需要手动编写 if/else 逻辑了，只需将选项提供给模型，让其进行判断。
3 langchain agent
Langchain 本身提供一些工具，例如 Google 搜索、GitHub 和
Python 等。如果需要自己实现工具，则需要继承 BaseTool 类，并实现 run 方法。模型根据工具的描述调用相应的方法，并观察其返回结果。
3.1.1 类别
·
计划代理：通过 llm 制定计划
·
·
执行代理：通过 llm 和 tools 实现计划
·
3.1.2 Chain 与 Agent 的差别
Chain 和 Agent 都用于解决多步问题。Chain 是静态的，过程是事先设计好的；而 Agent 则是动态的，由大模型来决策整个过程。
4 示例
5 想法和启发
·
手动或自动将需要复用的方法封装成代理程序，以实现模块化并形成可重复使用的积木块。
·
·
让大语言模型组装这些积木块。
·
出自：https://mp.weixin.qq.com/s/ctHrcWFSwW2zsLWYv4DX_Q
本文档由网友提供，仅限参考学习，如有不妥或产生版权问题，请联系我们及时删除。
客服请加微信：skillupvip