对于大模型，比如某些场景，需要数学计算，或者需要从某些网站获取参考资料，就必须使用专门的代理来完成任务。这里我们使用langchain提供的数学工具来实现一个最简单的例子，下一篇我们会讲如何自己实现代理。
首先创建一个对话模型，记得自己设置环境变量QIANFAN_AK和QIANFAN_SK。
from langchain_community.chat_models import QianfanChatEndpoint
chatModel = QianfanChatEndpoint(
model='ERNIE-Bot',
endpoint='completions'
)组装代理
我们使用lc库提供的数学包LLMMathChain组装数学代理，负责数学相关的计算工作。这里简单解释一下代理的工作原理，不完全正确，但大概原理是没跑的：大模型在收到问题后，和工具的描述匹配一下，决定使用哪些工具。然后把问题理解后生成合适的参数调用工具并返回结果。这里面是个大黑盒，怎么理解和拆分问题并匹配工具都是由大模型自己决定的，你只能通过提示词给出参考。对于百度的千帆，测试中发现对于数学问题用英文提问比较好，如果是中文理解就问有问题，没法正确调用工具。
from langchain import LLMMathChain
from langchain.agents import AgentType, initialize_agent
from langchain.tools import BaseTool, Tool
from pydantic import BaseModel, Field
tools = []
class CalculatorInput(BaseModel):
question: str = Field()
llm_math_chain = LLMMathChain(llm=chatModel, verbose=True)
tools.append(
Tool.from_function(
func=llm_math_chain.run,
name='牛逼的计算器',
description='用于回答数学问题',
args_schema=CalculatorInput
)
)
# ZERO_SHOT_REACT_DESCRIPTION代表根据工具的描述进行选择
agent = initialize_agent(
tools, chatModel, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True
)这里args_schema参数用于构造输入参数，CalculatorInut的写法参考pydantic的文档：pydantic · PyPI
提问
# 使用英文便于大模型理解
agent.run(
'What is the result of 5.85 raised to the 2.16 power?'
)
"""输出
> Entering new AgentExecutor chain...
This is a mathematical question that requires raising a number to a specific power.
Action: 牛逼的计算器
Action Input: Calculate 5.85 raised to the power of 2.16
> Entering new LLMMathChain chain...
Calculate 5.85 raised to the power of 2.16
```text
5.85**2.16
```
...numexpr.evaluate("5.85**2.16")...
Answer: 45.400085499141575
> Finished chain.
Observation: Answer: 45.400085499141575
Thought:I now know the result of 5.85 raised to the 2.16 power.
Final Answer: 5.85 raised to the 2.16 power is equal to 45.400085499141575.
> Finished chain.
"""代理是如何执行的？
前面我们在构造tool时，func参数设置为llm_math_chain.run。那么这个函数支持哪些参数，被调用时传进来的参数又是什么样的呢？一种方法是找源码，那个比较费事，我们可以inspect库提供的方法查看信息，然后自己在run函数外面包一层，就能看到想要看的信息了。
使用inspect函数查看信息，我们可以看到run有哪些参数和参数的默认值。
import inspect
sig = inspect.signature(llm_math_chain.run)
for name, para in sig.parameters.items():
print(name, para.default)
'''输出
args <class 'inspect._empty'>
callbacks None
tags None
metadata None
kwargs <class 'inspect._empty'>
'''我们在这里只关心第一个参数args，我们自己定义一个函数打印传了什么参数进来。
from langchain import LLMMathChain
from langchain.tools import BaseTool, Tool
from pydantic import BaseModel, Field
tools = []
class CalculatorInput(BaseModel):
question: str = Field()
llm_math_chain = LLMMathChain(llm=chatModel, verbose=True)
def my_math_func(*args):
print('输入参数', args)
return llm_math_chain.run(*args)
tools.append(
Tool.from_function(
func=my_math_func,
name='牛逼的计算器',
description='用于回答数学问题',
args_schema=CalculatorInput
)
)
'''
我们可以看到以下输出：
Action: 牛逼的计算器
Action Input: Calculate 5.85 raised to the 2.16 power.
输入参数 ('Calculate 5.85 raised to the 2.16 power.\n',)
'''
