ReAct框架：

Reason + Action，推理与行动结合

可以借助思维链，用小样本提示展示给模型一个ReAct框架

推理：针对问题或上一步观察的思考

行动：基于推理，与外部环境的一些交互（调用外部工具，比如搜索引擎、代码解释器等，也可以自定义工具）

观察：对行动得到的结果进行查看

agent（智能体、代理）：

能理解用户查询或指令，进行推理并执行特定任务，最后输出响应。

三要素：

模型（agent的大脑）

工具列表

提示词（告诉模型要遵循ReAct框架，以及可以使用的工具有哪些）

1、temperature=0：因为不希望模型太有创造力，而是在后序能严格按照ReAct框架进行输出。

2、自定义工具：

需继承自BaseTool类，实际调用_run方法来使用工具。

记得把工具放进tools列表里。

tools = [ TextLengthTool() ]

3、提示模板可以在langchain hub上找

langchain hub：用于管理和共享Langchain相关资源的在线平台

比如要使用ReAct，可以用里面名为structured-chat-agent的提示模板。

pip install langchainhub（才能从该hub拉取内容）

from langchain import hub

prompt = hub.pull("hwchase17/structured - chat - agen") 参数为要拉取的提示词在langchain hub上的路径

返回值类型是ChatPromptTemplate。内容就是让模型遵循ReAct，并把工具介绍作为变量。

如何使用？

准备好三要素后，

 1、除了agent，实际执行的叫agent executor（agent执行器），

在agent中传入tools只是为了让agent知道有哪些工具可以使用，发出指令；

agent执行器才是实际调用工具的那个，所以它也要能访问tools。

2、如果想连续对话，需要指定memory参数。

注意：memory_key要为"chat_history"，因为提示模板里记忆的变量名叫chat_history。

3、handle_parsing_errors = True，当agent在解析工具输出、生成回复等过程中遇到解析错误时，Agent Executor会尝试采取措施处理错误，而不是让程序直接终止。此处表示如果模型没有按ReAct框架输出时，agent执行器会把错误作为观察返回给模型。

4、verbose = True：以详细模式运行。agent执行器被调用后不是直接返回最终结果，而是还返回具体行动过程。默认为False。

5、AgentExecutor像是一个协调者，它会将用户输入（input）、工具调用结果以及对话内存（memory）等信息整合处理，并按照agent的决策机制所要求的格式和方式，把输入数据传递给agent，以便agent基于此进行决策和规划。这样的设计实现了职责分离，agent专注于决策规划，AgentExecutor负责执行和信息整合传递等工作 。

所以把input和memory传给agent executor而不是agent。

 

6、最后调用agent_executor.invoke方法，参数是一个字典，含键值" input "。

更多现成agent执行器： 

PAL（Program - aided Language Models）:程序辅助语言模型，一种将自然语言处理与编程能力相结合以解决复杂问题的 AI 系统。

python_agent

比如可以让AI生成做计算的代码，借助Python解释器，算出最终答案。（即Agent生成代码后，再指示Agent Executor调用相应工具来执行代码。为什么是Agent生成代码？因为懂代码知识的是模型。）

pip install langchain_experimental

from langchain_experimental.tools import PythonREPLTool（Python交互式解释器，可以用于执行Python命令）

from langchain_experimental.agents.agent_toolkits import create_python_agent（LangChain 中用于创建专门处理 Python 相关任务的智能体执行器的函数）

1、为什么不用显式传入提示模板？

因为create_python_agent函数通常有内置的默认提示模板。

2、在create_python_agent函数的内部创建了智能体（agent）。

 

create_python_agent函数会根据传入的语言模型（如ChatOpenAI对象）、工具（如PythonREPLTool）等参数，按照 LangChain 内部的逻辑和机制，构建出一个适合处理 Python 相关任务的智能体。之后，该函数会基于创建好的智能体等信息，进一步实例化并返回AgentExecutor，由AgentExecutor来负责执行智能体的决策等操作 。

3、不直接支持handle_parsing_errors参数，但是可以把它放进更多参数里，作为键值。

 csv_agent

csv（Comma - Separated Values，逗号分隔值），一种常见的用于储存数据的纯文本格式。

注意是英文逗号。可以用excel打开csv文件，是表格的形式。

pip install  pandas

pip install tabulate（因为CSV agent底层会用到Pandas库和Tabulate库）

内置默认提示模板：

1、为什么create_csv_agent没有tools参数，而create_python_agent有agent参数？

create_csv_agent：

内部已集成专门针对 CSV 文件处理的工具，用户无需额外提供工具列表。

专注于 CSV 文件处理任务，功能相对单一和固定，适用于仅需处理 CSV 文件相关任务的场景。

create_python_agent：

本身不预设特定工具，而是要求用户根据具体任务需求传入所需工具。

因为 Python 应用场景广泛，从简单的代码执行、文件操作到复杂的网络交互、数据处理等，不同任务所需工具差异很大，所以需要用户灵活配置工具，以满足多样化的 Python 任务需求。

2、实际上也是通过执行Python代码得到的答案。

 让工具箱集成多种工具：

现有自定义工具，和现成的agent执行器（需要转换成Tool类型）

func参数赋值为使用工具时调用的函数名或方法名，因为使用agent执行器时，调用的是invoke方法，所以把执行器的invoke方法作为参数传入即可。

（函数：一段独立的代码块，用于完成特定的任务。它可以在模块的顶层定义，不依赖于任何特定的类或对象，是全局范围内可调用的代码单元。

方法：与类或对象相关联的函数，定义在类的内部，是类的一部分。它通常用于操作对象的属性或执行与对象相关的特定行为。如list.append()是列表类的一个方法。）