跳到内容

代理

什么是代理?

一个代理由三个组件构成:一个大型语言模型 (LLM)、一套它能使用的工具,以及一个提供指令的提示

LLM 在一个循环中运行。在每次迭代中,它选择一个工具来调用,提供输入,接收结果(观察),并使用该观察来指导下一步行动。循环持续进行,直到满足停止条件——通常是当代理收集了足够的信息来响应用户时。

image

代理循环:LLM 选择工具并使用它们的输出满足用户请求。

基本配置

使用 create_react_agent 实例化一个代理

API 参考:create_react_agent

from langgraph.prebuilt import create_react_agent

def get_weather(city: str) -> str:  # (1)!
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",  # (2)!
    tools=[get_weather],  # (3)!
    prompt="You are a helpful assistant"  # (4)!
)

# Run the agent
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)
  1. 定义代理使用的工具。工具可以定义为普通的 Python 函数。有关更高级的工具用法和自定义,请查看工具页面。
  2. 为代理提供一个语言模型。要了解有关代理语言模型的更多配置信息,请查看模型页面。
  3. 为模型提供一个工具列表。
  4. 为代理使用的语言模型提供一个系统提示(指令)。

LLM 配置

使用 init_chat_model 配置具有特定参数(如温度)的 LLM

API 参考:init_chat_model | create_react_agent

from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent

model = init_chat_model(
    "anthropic:claude-3-7-sonnet-latest",
    temperature=0
)

agent = create_react_agent(
    model=model,
    tools=[get_weather],
)

有关如何配置 LLM 的更多信息,请参阅模型页面。

自定义提示

提示指导 LLM 如何行为。它们可以是

  • 静态:一个字符串被解释为系统消息
  • 动态:根据输入或配置在运行时生成的消息列表

静态提示

定义固定的提示字符串或消息列表。

API 参考:create_react_agent

from langgraph.prebuilt import create_react_agent

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    # A static prompt that never changes
    prompt="Never answer questions about the weather."
)

agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

动态提示

定义一个函数,该函数根据代理的状态和配置返回消息列表

API 参考:AnyMessage | RunnableConfig | AgentState | create_react_agent

from langchain_core.messages import AnyMessage
from langchain_core.runnables import RunnableConfig
from langgraph.prebuilt.chat_agent_executor import AgentState
from langgraph.prebuilt import create_react_agent

def prompt(state: AgentState, config: RunnableConfig) -> list[AnyMessage]:  # (1)!
    user_name = config["configurable"].get("user_name")
    system_msg = f"You are a helpful assistant. Address the user as {user_name}."
    return [{"role": "system", "content": system_msg}] + state["messages"]

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    prompt=prompt
)

agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]},
    config={"configurable": {"user_name": "John Smith"}}
)
  1. 动态提示允许在构建 LLM 输入时包含非消息上下文,例如

    • 运行时传递的信息,如 user_id 或 API 凭据(使用 config)。
    • 多步推理过程中更新的内部代理状态(使用 state)。

    动态提示可以定义为接受 stateconfig 并返回要发送给 LLM 的消息列表的函数。

有关更多信息,请参阅上下文页面。

内存

要与代理进行多轮对话,您需要在创建代理时通过提供 checkpointer 来启用持久化。在运行时,您需要提供一个包含 thread_id 的配置——它是对话(会话)的唯一标识符

API 参考:create_react_agent | InMemorySaver

from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import InMemorySaver

checkpointer = InMemorySaver()

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    checkpointer=checkpointer  # (1)!
)

# Run the agent
config = {"configurable": {"thread_id": "1"}}
sf_response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]},
    config  # (2)!
)
ny_response = agent.invoke(
    {"messages": [{"role": "user", "content": "what about new york?"}]},
    config
)
  1. checkpointer 允许代理在工具调用循环的每一步存储其状态。这使能了短期内存人工干预(human-in-the-loop)功能。
  2. 传递包含 thread_id 的配置,以便能够在未来的代理调用中恢复相同的对话。

启用 checkpointer 后,它会在提供的 checkpointer 数据库(如果使用 InMemorySaver,则在内存中)的每一步存储代理状态。

请注意,在上面的示例中,当代理第二次使用相同的 thread_id 被调用时,来自第一次对话的原始消息历史记录会自动包含进来,以及新的用户输入。

请参阅内存指南以了解有关如何使用内存的更多详细信息。

结构化输出

要生成符合模式的结构化响应,请使用 response_format 参数。模式可以使用 Pydantic 模型或 TypedDict 定义。结果将通过 structured_response 字段访问。

API 参考:create_react_agent

from pydantic import BaseModel
from langgraph.prebuilt import create_react_agent

class WeatherResponse(BaseModel):
    conditions: str

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    response_format=WeatherResponse  # (1)!
)

response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

response["structured_response"]
  1. 提供 response_format 后,代理循环末尾会添加一个单独的步骤:将代理消息历史记录传递给具有结构化输出的 LLM,以生成结构化响应。

    要为该 LLM 提供系统提示,请使用元组 (prompt, schema),例如 response_format=(prompt, WeatherResponse)

LLM 后处理

结构化输出需要额外调用 LLM 以根据模式格式化响应。

评论