BabyAGI Agent：LLM如何实现？

发布于 2024-7-30 00:51

浏览

0收藏

嘿，大家好！这里是一个专注于AI智能体的频道！

今天我们来聊聊一个超酷的东西——BabyAGI agent with Tools。这货是一个能跟数据库打交道的智能体！这是这个系列的第3篇。

首先，咱们得搭建一个向量存储和嵌入模型。这里我们用的是开源的Chroma和OpenAI的嵌入模型。别急，这就给你们上代码。

from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import Chroma

embedding = OpenAIEmbeddings()
persist_directory = 'vector_store'
vectordb = Chroma(persist_directory=persist_directory, embedding_function=embedding)1.
2.
3.
4.
5.
6.

有了这些，我们的BabyAGI就能长期存储结果，并且只提取最相关的信息。接下来，我们得创建一个chain，这个链会作为我们执行器的工具。

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

todo_prompt_message = '你是一个制定待办事项清单的专家。给这个目标制定一个待办事项清单：{objective}'
todo_prompt = PromptTemplate.from_template(todo_prompt_message)
todo_chain = LLMChain(llm=OpenAI(temperature=0.1, 
    model = 'gpt-4-1106-preview'), prompt=todo_prompt)1.
2.
3.
4.
5.
6.
7.

然后，我们定义了工具和prompt，创建了一个agent。这个agent会用到我们之前设置好的工具和prompt。(参见前几天的《ReAct Agent：LLM如何实现？》推文)

from langchain.agents import AgentExecutor, Tool, ZeroShotAgent
from langchain.prompts import PromptTemplate

tools = [
    execute_sql, get_table_columns, get_table_column_distr, 
    Tool(name="TODO", func=todo_chain.run, description="用于当你需要制定待办事项清单时。输入待办事项的目标。")
]

prefix = "你是一个基于以下目标执行任务的AI：{objective}..."
suffix = "问题：{task} {agent_scratchpad}"

prompt = ZeroShotAgent.create_prompt(
    tools, prefix=prefix, suffix=suffix, 
    input_variables=["objective", "task", "context", "agent_scratchpad"]
)

llm = OpenAI(temperature=0.1)
llm_chain = LLMChain(llm=llm, prompt=prompt)
tool_names = [tool.name for tool in tools]
analyst_agent_babyagi = ZeroShotAgent(llm_chain=llm_chain, allowed_tools=tool_names)
analyst_agent_babyagi_executor = AgentExecutor.from_agent_and_tools(
    agent=analyst_agent_babyagi, tools=tools, verbose=True
)1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.

最后，我们定义BabyAGI执行器并运行它。

from langchain_experimental.autonomous_agents import BabyAGI

baby_agi = BabyAGI.from_llm(
    llm=llm, vectorstore=vectordb, 
    task_execution_chain=analyst_agent_babyagi_executor, 
    verbose=True, max_iterations=10
)
baby_agi("我们有多少来自上海的活跃客户？")1.
2.
3.
4.
5.
6.
7.
8.

看吧，我们的BabyAGI agent with Tools就这样诞生了。但是在执行时可能遇到了一些小问题，比如没有遵循输入模式，但这都是成长的烦恼嘛。通过不断的迭代和优化，我们的智能体会变得越来越聪明。

本文转载自探索AGI，作者：猕猴桃

标签

BabyAGI

LLM

Agent