人工智能技术日新月异，开发者们正积极探索将智能功能融入日常工作流程的方法。构建能够自主完成任务、将推理与行动相结合的智能代理便是其中一种有效途径。本文将指导您如何利用LangChain、OpenAI的GPT-4以及LangChain的实验工具，创建一个能够执行Python代码、处理CSV文件并解答复杂问题的智能代理。
LangChain的优势
LangChain是一个功能强大的框架，用于构建基于语言模型的应用程序。其模块化、可重用的组件（例如代理）使其在创建智能代理方面尤为出色，它具备以下能力：
- 执行Python代码。
- 分析和处理数据文件。
- 利用工具进行推理和决策。
结合LangChain的功能和OpenAI的GPT-4，我们可以针对数据分析、代码调试等特定场景构建高效的智能代理。
环境配置
在开始编写代码之前，请确保您的环境已安装必要的工具：
- 安装Python库：
<code class="bash">pip install langchain langchain-openai python-dotenv</code>
- 创建
.env文件，安全存储您的OpenAI API密钥：
<code>openai_api_key=your_api_key_here</code>
构建Python代码执行代理
代理的核心功能之一是执行Python代码，这可以通过LangChain的PythonREPLTool实现。让我们从定义代理开始。
指令设计
代理将根据一系列指令进行操作。我们将使用以下提示：
<code>instruction = """ 您是一个旨在编写和执行Python代码以回答问题的代理。 您可以访问Python REPL，用于执行Python代码。 如果出现错误，请调试代码并重试。 仅使用代码的输出回答问题。 如果您无法编写代码来回答问题，请返回“我不知道”。 """</code>
代理设置
我们将使用LangChain的React框架构建此代理：
<code class="python">from langchain import hub
from langchain_openai import ChatOpenAI
from langchain_experimental.tools import PythonREPLTool
from langchain.agents import create_react_agent, AgentExecutor
base_prompt = hub.pull("langchain-ai/react-agent-template")
prompt = base_prompt.partial(instructions=instruction)
tools = [PythonREPLTool()]
python_agent = create_react_agent(
prompt=prompt,
llm=ChatOpenAI(temperature=0, model="gpt-4-turbo"),
tools=tools,
)
python_executor = AgentExecutor(agent=python_agent, tools=tools, verbose=True)</code>
现在，该代理可以执行Python代码并返回结果。
CSV数据分析功能集成
数据分析是人工智能代理的常见应用场景。通过集成LangChain的create_csv_agent，我们可以赋予代理查询和处理CSV文件数据的能力。
CSV代理设置
以下是如何向代理添加CSV处理功能：
<code class="python">from langchain_experimental.agents.agent_toolkits import create_csv_agent
csv_agent = create_csv_agent(
llm=ChatOpenAI(temperature=0, model="gpt-4-turbo"),
path="episode-info.csv",
verbose=True,
allow_dangerous_code=True,
)</code>
该代理现在可以回答关于episode-info.csv内容的问题，例如：
- 文件有多少行和列？
- 哪一季的集数最多？
整合工具，构建统一代理
为了创建一个多功能代理，我们将把Python代码执行和CSV数据分析功能整合到一个实体中，使代理能够根据任务在不同工具之间无缝切换。
统一代理定义
<code class="python">from langchain.agents import Tool
def python_executor_wrapper(prompt: str):
python_executor.invoke({"input": prompt})
tools = [
Tool(
name="python agent",
func=python_executor_wrapper,
description="""
用于将自然语言转换为Python代码并执行。
不接受代码作为输入。
"""
),
Tool(
name="csv agent",
func=csv_agent.invoke,
description="""
用于通过运行pandas计算来回答关于episode-info.csv的问题。
"""
),
]
grant_agent = create_react_agent(
prompt=base_prompt.partial(instructions=""),
llm=ChatOpenAI(temperature=0, model="gpt-4-turbo"),
tools=tools,
)
grant_agent_executor = AgentExecutor(agent=grant_agent, tools=tools, verbose=True)</code>
这个组合代理能够回答关于Python逻辑和CSV数据分析的问题。
实际案例：分析电视节目剧集数据
让我们通过查询episode-info.csv来测试这个统一代理：
<code class="python">print(
grant_agent_executor.invoke({
"input": "What season has the most episodes?"
})
)</code>
代理将分析CSV文件并返回集数最多的剧集信息，并在后台使用pandas进行计算。
后续步骤
- 使用其他工具和数据集进行实验。
- 探索LangChain文档以构建更强大的代理。
LangChain为创建高度定制的智能代理提供了强大的工具，能够简化复杂的工作流程。借助Python REPL和CSV代理等工具，您可以实现从自动化数据分析到代码调试等多种功能，可能性无限。从现在开始构建您的智能代理吧！
