AI大模型企业应用实战(25)-为Langchain Agent添加记忆功能

0 前言

在开辟复杂的AI应用时,赋予Agent记忆能力是一个关键步骤。这不仅能进步Agent的性能,还能使其在多轮对话中保持上下文连贯性。本文将具体介绍怎样在Langchain框架中为Agent添加记忆功能,并深入解析每个步骤的原理和最佳实践。
Agent记忆功能的核心组件

在Langchain中，构建具有记忆功能的Agent主要涉及三个核心组件:

• 工具(Tools): Agent用来执行特定任务的功能模块。
  
• 记忆(Memory): 存储和检索对话历史的组件。
  
• 大语言模型(LLM): 负责理解输入、决策和生成相应的核心智能体。
  

这三个组件的协同工作使Agent能够在多轮对话中保持连贯性并做出明智的决策。
1 构建Agent可用工具

首先,我们须要界说Agent可以使用的工具。

1. # 构建一个搜索工具，Langchain提供的一个封装,用于进行网络搜索。
2. search = SerpAPIWrapper()
3. # 创建一个数学计算工具，特殊的链,它使用LLM来解析和解决数学问题。
4. llm_math_chain = LLMMathChain(
5.     llm=llm,
6.     verbose=True
7. )
8. tools = [
9.     Tool(
10.         name = "Search",
11.         func=search.run,
12.         description="useful for when you need to answer questions about current events or the current state of the world"
13.     ),
14.     Tool(
15.         name="Calculator",
16.         func=llm_math_chain.run,
17.         description="useful for when you need to answer questions about math"
18.     ),
19. ]
20. print(tools)

复制代码

2 增加memory组件

接下来,我们须要为Agent添加记忆功能。Langchain提供了多种记忆组件,这里我们使用ConversationBufferMemory:

1. from langchain.memory import ConversationBufferMemory
3. # 记忆组件
4. memory = ConversationBufferMemory(
5.     # 指定了存储对话历史的键名
6.     memory_key="chat_history",
7.           # 确保返回的是消息对象,而不是字符串,这对于某些Agent类型很重要
8.     return_messages=True
9. )

复制代码

3 界说agent

现在我们有了工具和记忆组件,可以初始化我们的Agent了:

1. from langchain.agents import AgentType, initialize_agent
3. agent_chain = initialize_agent(
4.     tools,
5.     llm,
6.     agent=AgentType.OPENAI_FUNCTIONS,
7.     verbose=True,
8.     handle_parsing_errors=True,
9.     memory=memory
10. )

复制代码

这里的关键点是:

• AgentType.OPENAI_FUNCTIONS: 这种Agent类型特别适合使用OpenAI的function calling特性。
  
• verbose=True: 启用具体输出,有助于调试。
  
• handle_parsing_errors=True: 自动处理解析错误,进步Agent的稳定性。
  
• memory=memory: 将我们之前界说的记忆组件传递给Agent。
  

4 查看默认的agents prompt啥样

了解Agent使用的默认提示词模板非常重要,这有助于我们理解Agent的行为并举行须要的调整：

1. print(agent_chain.agent.prompt.messages)
2. print(agent_chain.agent.prompt.messages[0])
3. print(agent_chain.agent.prompt.messages[1])
4. print(agent_chain.agent.prompt.messages[2])

复制代码

这将输出Agent使用的默认提示词模板。通常包括系统消息、人类消息提示词模板和AI消息模板。

5 优化Agent配置

为了更好地利用记忆功能,我们须要修改Agent的配置,确保它在每次交互中都能访问对话历史。
须要使用agent_kwargs传递参数，将chat_history传入

1. agent_chain = initialize_agent(
2.     tools,
3.     llm,
4.     agent=AgentType.OPENAI_FUNCTIONS,
5.     verbose=True,
6.     handle_parsing_errors=True,#处理解析错误
7.     agent_kwargs={
8.         "extra_prompt_messages":[MessagesPlaceholder(variable_name="chat_history"),MessagesPlaceholder(variable_name="agent_scratchpad")],
9.     },
10.     memory=memory #记忆组件
11.     )

复制代码

这里的关键改变是:

• agent_kwargs: 通过这个参数,我们可以自界说Agent的行为
  
• extra_prompt_messages：我们添加了两个MessagesPlaceholder：
  
  
  
  • chat_history: 用于插入对话历史。
    
  • agent_scratchpad: 用于Agent的中间思索过程。
    
  
  

如许配置确保了Agent在每次决策时都能考虑到之前的对话内容。
6 验证优化后的提示词模板

最后,让我们检查一下优化后的提示词模板:

1. print(agent_chain.agent.prompt.messages)
2. print(agent_chain.agent.prompt.messages[0])
3. print(agent_chain.agent.prompt.messages[1])
4. print(agent_chain.agent.prompt.messages[2])

复制代码

能看到新添加的chat_history和agent_scratchpad占位符。

7 总结

通过以上步骤,我们成功地为Langchain Agent添加了记忆功能。这使得Agent能够在多轮对话中保持上下文连贯性,大大进步了其在复杂任务中的表现。
添加记忆功能只是构建高效Agent的第一步。在实际应用中,你可能须要根据具体需求调整记忆组件的类型和参数,或者实现更复杂的记忆管理计谋。
始终要注意平衡记忆的深度和Agent的相应速度。过多的历史信息可能会导致决策缓慢或偏离主题。因此,在生产环境中,你可能须要实现某种情势的记忆修剪或总结机制。
关注我，紧跟本系列专栏文章，咱们下篇再续！

作者简介：魔都架构师，多家大厂后端一线研发履历，在分布式系统设计、数据平台架构和AI应用开辟等领域都有丰富实践履历。
各大技能社区头部专家博主。具有丰富的引领团队履历，深厚业务架构和解决方案的积累。
负责：

• 中央/分销预订系统性能优化
  
• 活动&券等营销中台建设
  
• 交易平台及数据中台等架构和开辟设计
  
• 车联网核心平台-物联网连接平台、大数据平台架构设计及优化
  
• LLM应用开辟
  

现在主攻降低软件复杂性设计、构建高可用系统方向。

参考：

• 编程严选网
  

本文由博客一文多发平台 OpenWrite 发布！

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。