LangChain 中 initialize_agent 函数的替代方案：使用 AgentExecutor
LangChain 的 initialize_agent 函数已被弃用，推荐使用更灵活的 AgentExecutor 类来初始化和运行代理。 AgentExecutor 提供了更精细的控制和定制选项。 下面是使用 AgentExecutor 的步骤：
1. 导入必要的模块:
from langchain.agents import AgentExecutor from langchain.agents.tools import Tool
2. 定义工具 (Tools):
代理需要一系列工具来完成任务。这些工具可以是函数、API 调用或其他可执行单元。 例如：
def search_tool(query):
# 此处实现你的搜索逻辑，例如使用 SerpAPI 或其他搜索引擎
# ...
return "搜索结果"
tools = [
Tool(
name="Search",
func=search_tool,
description="用于搜索信息的工具，输入查询关键词。"
)
]
3. 创建代理 (Agent):
选择合适的代理类型，例如 ZeroShotAgent 或其他。 以下示例使用 ZeroShotAgent：
from langchain.agents import ZeroShotAgent
from langchain import LLMChain, SerpAPIWrapper # 替换为你的LLM和搜索工具
# 替换为你的LLM
llm = ...
search = SerpAPIWrapper() # 或其他搜索工具
tools = [
Tool(
name="Calculator",
func=lambda x: str(eval(x)), #简单的计算器示例，实际应用中需更完善的处理
description="用于进行简单数学计算的工具，输入数学表达式。"
),
Tool(
name="Search",
func=search.run,
description="用于搜索信息的工具，输入查询关键词。"
)
]
prompt = ZeroShotAgent.create_prompt(
tools,
prefix="请根据以下工具回答问题：",
suffix="开始！"
)
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("东京的人口是多少？")
print(response)
通过以上步骤，你便可以使用 AgentExecutor 来替代被禁用的 initialize_agent 函数，并更有效地管理和运行你的 LangChain 代理。 记住替换示例代码中的占位符 (...) 为你实际使用的 LLM 和工具。 verbose=True 将打印代理的推理过程，方便调试。
