哈嘍！伙伴們，我是小智，你們的AI向?qū)?。歡迎來到每日的AI學(xué)習(xí)時間。今天，我們將一起深入AI的奇妙世界，探索“面向開發(fā)者的LLM入門課程-llm-math和wikipedia”，并學(xué)會本篇文章中所講的全部知識點。還是那句話“不必遠征未知，只需喚醒你的潛能！”跟著小智的步伐，我們終將學(xué)有所成，學(xué)以致用，并發(fā)現(xiàn)自身的更多可能性。話不多說，現(xiàn)在就讓我們開始這場激發(fā)潛能的AI學(xué)習(xí)之旅吧。

面向開發(fā)者的LLM入門課程-llm-math和wikipedia：

代理

大型語言模型（LLMs）非常強大，但它們?nèi)狈Α白畋俊钡挠嬎銠C程序可以輕松處理的特定能力。LLM 對邏輯推理、計算和檢索外部信息的能力較弱，這與最簡單的計算機程序形成對比。例如，語言模型無法準確回答簡單的計算問題，還有當(dāng)詢問最近發(fā)生的事件時，其回答也可能過時或錯誤，因為無法主動獲取最新信息。這是由于當(dāng)前語言模型僅依賴預(yù)訓(xùn)練數(shù)據(jù)，與外界“斷開”。要克服這一缺陷， LangChain 框架提出了 “代理”(Agent) 的解決方案。

代理作為語言模型的外部模塊，可提供計算、邏輯、檢索等功能的支持，使語言模型獲得異常強大的推理和獲取信息的超能力。

在本文中，我們將詳細介紹代理的工作機制、種類、以及如何在 LangChain 中將其與語言模型配合，構(gòu)建功能更全面、智能程度更高的應(yīng)用程序。代理機制極大擴展了語言模型的邊界，是當(dāng)前提升其智能的重要途徑之一。讓我們開始學(xué)習(xí)如何通過代理釋放語言模型的最大潛力。

使用LangChain內(nèi)置工具llm-math和wikipedia

要使用代理 (Agents) ，我們需要三樣?xùn)|西：
· 一個基本的 LLM
· 我們將要進行交互的工具 Tools
· 一個控制交互的代理 (Agents) 。

from langchain.agents import load_tools, initialize_agent
from langchain.agents import AgentType
from langchain.python import PythonREPL
from langchain.chat_models import ChatOpenAI

首先，讓我們新建一個基本的 LLM

# 參數(shù)temperature設(shè)置為0.0，從而減少生成答案的隨機性。
llm = ChatOpenAI(temperature=0

接下來，初始化 工具 Tool ，我們可以創(chuàng)建自定義工具 Tool 或加載預(yù)構(gòu)建工具 Tool。無論哪種情況，工具 Tool 都是一個給定工具 名稱 name 和 描述 description 的 實用鏈。
· llm-math 工具結(jié)合語言模型和計算器用以進行數(shù)學(xué)計算
· wikipedia 工具通過API連接到wikipedia進行搜索查詢。

tools = load_tools(
[“llm-math”,”wikipedia”],
llm=llm #第一步初始化的模型
)

現(xiàn)在我們有了 LLM 和工具，最后讓我們初始化一個簡單的代理 (Agents) ：

# 初始化代理
agent= initialize_agent(
tools, #第二步加載的工具
llm, #第一步初始化的模型
agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, #代理類型
handle_parsing_errors=True, #處理解析錯誤
verbose = True #輸出中間步驟
)

· agent : 代理類型。這里使用的是 AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION 。其中CHAT 代表代理模型為針對對話優(yōu)化的模型； Zero-shot 意味著代理 (Agents) 僅在當(dāng)前操作上起作用，即它沒有記憶； REACT 代表針對REACT設(shè)計的提示模版。 DESCRIPTION 根據(jù)工具的描述description 來決定使用哪個工具。(我們不會在本章中討論 * REACT 框架 ，但您可以將其視為LLM 可以循環(huán)進行 Reasoning 和 Action 步驟的過程。它啟用了一個多步驟的過程來識別答案。)

· handle_parsing_errors : 是否處理解析錯誤。當(dāng)發(fā)生解析錯誤時，將錯誤信息返回給大模型，讓其進行糾正。

· verbose : 是否輸出中間步驟結(jié)果。

使用代理回答數(shù)學(xué)問題

agent(“計算300的25%”)

> Entering new AgentExecutor chain…
Question: 計算300的25%
Thought: I can use the calculator tool to calculate 25% of 300.
Action:
“`json
{
“action”: “Calculator”,
“action_input”: “300 * 0.25”
}
“`

Observation: Answer: 75.0
Thought:The calculator tool returned the answer 75.0, which is 25% of 300.
Final Answer: 25% of 300 is 75.0.

> Finished chain.

{‘input’: ‘計算300的25%’, ‘output’: ‘25% of 300 is 75.0.’}

上面的過程可以總結(jié)為下

1. 模型對于接下來需要做什么，給出思考

思考：我可以使用計算工具來計算300的25%

2. 模型基于思考采取行動

行動: 使用計算器（calculator），輸入（action_input）300*0.25

3. 模型得到觀察

觀察：答案: 75.0

4. 基于觀察，模型對于接下來需要做什么，給出思考

思考: 計算工具返回了300的25%，答案為75

5. 給出最終答案（Final Answer）

最終答案: 300的25%等于75。

6. 以字典的形式給出最終答案。

Tom M. Mitchell的書

question = “Tom M. Mitchell是一位美國計算機科學(xué)家，
也是卡內(nèi)基梅隆大學(xué)（CMU）的創(chuàng)始人大學(xué)教授。
他寫了哪本書呢？”

agent(question)

> Entering new AgentExecutor chain…
Thought: I can use Wikipedia to find information about Tom M. Mitchell and his
books.
Action:
“`json
{
“action”: “Wikipedia”,
“action_input”: “Tom M. Mitchell”
}
“`
Observation: Page: Tom M. Mitchell
Summary: Tom Michael Mitchell (born August 9, 1951) is an American computer
scientist and the Founders University Professor at Carnegie Mellon University
(CMU). He is a founder and former Chair of the Machine Learning Department at
CMU. Mitchell is known for his contributions to the advancement of machine
learning, artificial intelligence, and cognitive neuroscience and is the author
of the textbook Machine Learning. He is a member of the United States National
Academy of Engineering since 2010. He is also a Fellow of the American Academy of
Arts and Sciences, the American Association for the Advancement of Science and a
Fellow and past President of the Association for the Advancement of Artificial
Intelligence. In October 2018, Mitchell was appointed as the Interim Dean of the
School of Computer Science at Carnegie Mellon.
Page: Tom Mitchell (Australian footballer)
Summary: Thomas Mitchell (born 31 May 1993) is a professional Australian rules
footballer playing for the Collingwood Football Club in the Australian Football
League (AFL). He previously played for the Adelaide Crows, Sydney Swans from 2012
to 2016, and the Hawthorn Football Club between 2017 and 2022. Mitchell won the
Brownlow Medal as the league’s best and fairest player in 2018 and set the record
for the most disposals in a VFL/AFL match, accruing 54 in a game against
Collingwood during that season.
Thought:The book written by Tom M. Mitchell is “Machine Learning”.
Thought: I have found the answer.
Final Answer: The book written by Tom M. Mitchell is “Machine Learning”.

> Finished chain.

{‘input’: ‘Tom M. Mitchell是一位美國計算機科學(xué)家，也是卡內(nèi)基梅隆大學(xué)（CMU）的創(chuàng)始人大學(xué)教授。他寫了哪本書呢？’,’output’: ‘The book written by Tom M. Mitchell is “Machine Learning”.’}

? 總結(jié)
1. 模型對于接下來需要做什么，給出思考（Thought）
思考：我應(yīng)該使用維基百科去搜索。

2. 模型基于思考采取行動（Action）
行動: 使用維基百科，輸入Tom M. Mitchell

3. 模型得到觀察（Observation）
觀測: 頁面: Tom M. Mitchell，頁面: Tom Mitchell (澳大利亞足球運動員)

4. 基于觀察，模型對于接下來需要做什么，給出思考（Thought）
思考: Tom M. Mitchell寫的書是Machine Learning

5. 給出最終答案（Final Answer）
最終答案: Machine Learning

6. 以字典的形式給出最終答案。

值得注意的是，模型每次運行推理的過程可能存在差異，但最終的結(jié)果一致。

嘿，伙伴們，今天我們的AI探索之旅已經(jīng)圓滿結(jié)束。關(guān)于“面向開發(fā)者的LLM入門課程-llm-math和wikipedia”的內(nèi)容已經(jīng)分享給大家了。感謝你們的陪伴，希望這次旅程讓你對AI能夠更了解、更喜歡。謹記，精準提問是解鎖AI潛能的鑰匙哦！如果有小伙伴想要了解學(xué)習(xí)更多的AI知識，請關(guān)注我們的官網(wǎng)“AI智研社”，保證讓你收獲滿滿呦！