本文深入探讨了langchain csv/pandas dataframe agent在处理数据分析任务时，可能遇到的一个常见问题：代理返回json格式的函数调用而非直接执行。核心原因在于所选llm与openai函数调用格式不兼容。文章提供了两种有效的解决方案：一是切换至支持openai函数调用的模型，二是改用如`zero_shot_react_description`等不依赖特定函数调用格式的代理类型，确保代理能够正确执行工具并返回自然语言结果。
LangChain的CSV Agent和Pandas Dataframe Agent是强大的工具，它们允许开发者通过自然语言与结构化数据（如CSV文件）进行交互式分析。这些代理通常利用大型语言模型（LLM）的推理能力，结合特定的工具（如Python REPL）来执行数据操作。
当使用AgentType.OPENAI_FUNCTIONS类型的代理时，其工作流程依赖于LLM对OpenAI函数调用格式的理解和生成。理想情况下，当用户提出一个数据分析问题（例如“有多少行？”），代理会：
这个流畅的交互过程是实现高效数据分析的关键。
然而，在实际应用中，我们可能会遇到一个问题：代理接收到LLM生成的JSON函数调用后，并未按照预期执行工具，而是直接将该JSON对象输出给用户，导致整个链条中断。
示例问题代码与输出：
import os
from langchain.chat_models import ChatOpenAI
from langchain.agents.agent_types import AgentType
from langchain_experimental.agents.agent_toolkits import create_csv_agent
# 假设环境变量已配置
api_key = os.environ.get("OPENROUTER_API_KEY")
api_base = "https://openrouter.ai/api/v1"
model = "mistralai/mixtral-8x7b-instruct" # 问题模型
chat_model = ChatOpenAI(
api_key=api_key,
base_url=api_base,
model=model,
temperature=0.0,
)
def main():
filepath = "your_data.csv" # 替换为你的CSV文件路径
agent = create_csv_agent(
chat_model,
filepath,
verbose=True,
openai_model=chat_model, # 注意这里传入的也是chat_model
agent_type=AgentType.OPENAI_FUNCTIONS, # 问题代理类型
)
while True:
user_message = input("You: ")
if user_message.lower() in ["goodbye", "goodbye!"]:
break
response = agent.run(user_message)
print(response)
if __name__ == "__main__":
main()当运行上述代码并输入“How many rows are there?”时，预期的输出应该是执行df.shape[0]并返回“There are X rows in the dataframe.”，但实际输出却是：
> Entering new AgentExecutor chain...
{
"function": "python_repl_ast",
"parameters": {
"query": "len(df)"
}
}
> Finished chain.这种现象表明，LLM成功生成了函数调用指令，但代理执行器未能识别并调用相应的工具。
根本原因：LLM与OpenAI函数调用格式不兼容
经过排查，导致此问题的核心原因在于所选的LLM（例如上述代码中的mistralai/mixtral-8x7b-instruct）并未针对OpenAI的函数调用格式进行适当的微调。AgentType.OPENAI_FUNCTIONS代理类型高度依赖于LLM能够准确生成和理解这种特定格式的JSON响应，并期望代理执行器能无缝地将其映射到工具调用。如果LLM未能完全遵循此规范或代理执行器无法解析非标准响应，就会出现上述问题。
针对LLM与OpenAI函数调用格式不兼容的问题，有两种主要的解决方案可以确保LangChain代理正常工作。
最直接的解决方案是选择一个明确支持OpenAI函数调用功能的LLM。OpenAI官方提供的模型（如GPT-3.5 Turbo、GPT-4等）都经过了专门的微调，能够很好地与AgentType.OPENAI_FUNCTIONS配合。
实现方式： 将ChatOpenAI实例中的model参数更改为兼容的模型。
import os
from langchain.chat_models import ChatOpenAI
from langchain.agents.agent_types import AgentType
from langchain_experimental.agents.agent_toolkits import create_csv_agent
api_key = os.environ.get("OPENAI_API_KEY") # 确保使用正确的API密钥
# api_base = "https://api.openai.com/v1" # OpenAI官方接口通常不需要显式设置base_url
model = "gpt-3.5-turbo" # 更改为OpenAI官方支持函数调用的模型
chat_model = ChatOpenAI(
api_key=api_key,
# base_url=api_base, # 默认即可
model=model,
temperature=0.0,
)
def main():
filepath = "your_data.csv"
agent = create_csv_agent(
chat_model,
filepath,
verbose=True,
# openai_model参数在create_csv_agent中已废弃，直接使用第一个参数即可
agent_type=AgentType.OPENAI_FUNCTIONS,
)
while True:
user_message = input("You: ")
if user_message.lower() in ["goodbye", "goodbye!"]:
break
response = agent.run(user_message)
print(response)
if __name__ == "__main__":
main()注意事项： 使用OpenAI官方模型需要相应的API密钥和配额。此外，OpenAI官方文档会列出所有支持函数调用的模型。
如果由于成本、性能或其他原因，必须使用不支持OpenAI函数调用的LLM，那么可以切换到其他代理类型。AgentType.ZERO_SHOT_REACT_DESCRIPTION是一个常用的替代方案，它基于ReAct（Reasoning and Acting）框架，通过“思考-行动-观察”循环来驱动代理决策，不依赖于LLM生成特定的JSON函数调用格式。
实现方式： 将create_csv_agent中的agent_type参数更改为AgentType.ZERO_SHOT_REACT_DESCRIPTION。
import os
from langchain.chat_models import ChatOpenAI
from langchain.agents.agent_types import AgentType
from langchain_experimental.agents.agent_toolkits import create_csv_agent
api_key = os.environ.get("OPENROUTER_API_KEY") # 沿用原有的OpenRouter配置
api_base = "https://openrouter.ai/api/v1"
model = "mistralai/mixtral-8x7b-instruct" # 沿用原有的模型
chat_model = ChatOpenAI(
api_key=api_key,
base_url=api_base,
model=model,
temperature=0.0,
)
def main():
filepath = "your_data.csv"
agent = create_csv_agent(
chat_model,
filepath,
verbose=True,
# openai_model参数在create_csv_agent中已废弃，直接使用第一个参数即可
agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION, # 更改代理类型
)
while True:
user_message = input("You: ")
if user_message.lower() in ["goodbye", "goodbye!"]:
break
response = agent.run(user_message)
print(response)
if __name__ == "__main__":
main()注意事项： ZERO_SHOT_REACT_DESCRIPTION代理类型通过提示词引导LLM生成思考过程和行动指令，因此其性能可能受到LLM的推理能力和提示词工程的影响。不同的代理类型有不同的优点和缺点，选择时需根据具体应用场景进行权衡。
当LangChain CSV/Pandas Dataframe Agent未能按预期执行LLM生成的函数调用时，这通常是由于所选LLM与OpenAI函数调用格式不兼容所致。解决此问题的关键在于：
通过理解代理的工作原理和LLM的兼容性要求，开发者可以更有效地调试和配置LangChain应用，从而构建稳定可靠的智能数据分析工具。在开发过程中，保持verbose=True的设置对于观察代理的内部决策过程和排查问题非常有帮助。
以上就是解决LangChain CSV/Pandas Agent未执行函数调用的问题的详细内容，更多请关注php中文网其它相关文章！
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
110
收藏
