LangChain入门：18.使用ReAct 框架进行生成推理痕迹和任务特定行动来实现更大的协同作用

简介

ReAct对话模型是LangChain框架中的一种重要模型，它可以用于构建智能对话系统。ReAct对话模型的核心思想是使用反应堆（Reactor）来处理对话中的各种情况，从而实现了对复杂对话场景的解构。
在ReAct对话模型中，反应堆是一个可配置的组件，它可以对输入的文本进行自定义处理。通过在不同的反应堆之间传递输入文本，我们可以实现不同任务的解构和组合。

而将 ReAct 框架和思维链（CoT）结合使用，则能够让大模型在推理过程同时使用内部知识和获取到的外部信息，从而给出更可靠和实际的回应，也提高了 LLMs 的可解释性和可信度。LangChain 正是通过 Agent 类，将 ReAct 框架进行了完美封装和实现，这一下子就赋予了大模型极大的自主性（Autonomy），你的大模型现在从一个仅仅可以通过自己内部知识进行对话聊天的 Bot，飞升为了一个有手有脚能使用工具的智能代理。ReAct 框架会提示 LLMs 为任务生成推理轨迹和操作，这使得代理能系统地执行动态推理来创建、维护和调整操作计划，同时还支持与外部环境（例如 Google 搜索、Wikipedia）的交互，以将额外信息合并到推理中。

通过代理实现 ReAct 框架

下面，就让我们用 LangChain 中最为常用的 ZERO_SHOT_REACT_DESCRIPTION ——这种常用代理类型，来剖析一下 LLM 是如何在 ReAct 框架的指导之下进行推理的。
此处，我们要给代理一个任务，这个任务是找到玫瑰的当前市场价格，然后计算出加价 15% 后的新价格。
在开始之前，有一个准备工作，就是你需要在 serpapi.com 注册一个账号，并且拿到你的 SERPAPI_API_KEY，这个就是我们要为大模型提供的 Google 搜索工具。

需要安装的依赖包

pip install google-search-results
pip install numexpr

具体实现

#设置OpenAI和SERPAPI的API密钥
import os
os.environ["OPENAI_API_KEY"] = ""
os.environ["SERPAPI_API_KEY"] = ""

#导入所需的库
from langchain.agents import load_tools
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain_openai import ChatOpenAI

llm=ChatOpenAI(
    openai_api_key='sk-ldPMZbfwlt9ApIJBiBcQpFstEoFPjqwkjM9N0R1jjFyLzhaS',  # 替换为你的API密钥
    base_url='https://api.chatanywhere.tech/v1',
    model='gpt-3.5-turbo',
    temperature=0.7,
)

#加载一些要使用的工具，包括 serpapi（这是调用 Google 搜索引擎的工具）
#以及 llm-math（这是通过 LLM 进行数学计算的工具）。
tools = load_tools(["serpapi", "llm-math"], llm=llm)

#初始化代理
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

#运行代理
agent.run("目前市场上玫瑰花的平均价格是多少？如果我在此基础上加价15%卖出，应该如何定价？")