LangChain 中 initialize_agent 函數的替代方案：使用 AgentExecutor
LangChain 的 initialize_agent 函數已被棄用，推薦使用更靈活的 AgentExecutor 類來初始化和運行代理。 AgentExecutor 提供了更精細的控制和定制選項。 下面是使用 AgentExecutor 的步驟：
1. 導入必要的模塊:
from langchain.agents import AgentExecutor from langchain.agents.tools import Tool
2. 定義工具 (Tools):
代理需要一系列工具來完成任務。這些工具可以是函數、API 調用或其他可執行單元。 例如：
def search_tool(query): # 此處實現你的搜索邏輯，例如使用 SerpAPI 或其他搜索引擎 # ... return "搜索結果" tools = [ Tool( name="Search", func=search_tool, description="用于搜索信息的工具，輸入查詢關鍵詞。" ) ]
3. 創建代理 (Agent):
選擇合適的代理類型，例如 ZeroShotAgent 或其他。 以下示例使用 ZeroShotAgent：
from langchain.agents import ZeroShotAgent from langchain import LLMChain, SerpAPIWrapper # 替換為你的LLM和搜索工具 # 替換為你的LLM llm = ... search = SerpAPIWrapper() # 或其他搜索工具 tools = [ Tool( name="Calculator", func=lambda x: str(eval(x)), #簡單的計算器示例，實際應用中需更完善的處理 description="用于進行簡單數學計算的工具，輸入數學表達式。" ), Tool( name="Search", func=search.run, description="用于搜索信息的工具，輸入查詢關鍵詞。" ) ] prompt = ZeroShotAgent.create_prompt( tools, prefix="請根據以下工具回答問題：", suffix="開始！" ) llm_chain = LLMChain(llm=llm, prompt=prompt) agent = ZeroShotAgent(llm_chain=llm_chain, tools=tools)
4. 初始化并使用 AgentExecutor:
agent_executor = AgentExecutor.from_agent_and_tools(agent=agent, tools=tools, verbose=True) response = agent_executor.run("東京的人口是多少？") print(response)
通過以上步驟，你便可以使用 AgentExecutor 來替代被禁用的 initialize_agent 函數，并更有效地管理和運行你的 LangChain 代理。 記住替換示例代碼中的占位符 (…) 為你實際使用的 LLM 和工具。 verbose=True 將打印代理的推理過程，方便調試。
? 版權聲明
文章版權歸作者所有，未經允許請勿轉載。
THE END
