Introductie tot LangChain-agents

LLM-toepassingen ontwikkelen met LangChain

Jonathan Bennion

AI Engineer & LangChain Contributor

Wat zijn agents?

Agents: gebruiken LLM’s om acties uit te voeren

Tools: functies aangeroepen door de agent

Nu → ReAct-agent

Een agent die beslist welke tool te gebruiken op basis van de invoer van de gebruiker.

ReAct-agents

Reason + Act

Hoe is het weer in Kingston, Jamaica?

Thought: Ik moet Weather() aanroepen om het
weer in Kingston, Jamaica te vinden.


Act: Weather("Kingston, Jamaica")


Observe: Het weer is meestal zonnig met
temperaturen van 82°F.

Een lus van denken, handelen en observeren.

LangGraph

LangGraph-logo.

Tak van LangChain gericht op het ontwerpen van agent-systemen
Uniforme, tool-onafhankelijke syntaxis
pip install langgraph==0.2.74

ReAct-agent

from langgraph.prebuilt import create_react_agent
from langchain_community.agent_toolkits.load_tools import load_tools


llm = ChatOpenAI(model="gpt-4o-mini", api_key=openai_api_key)
tools = load_tools(["llm-math"], llm=llm)

agent = create_react_agent(llm, tools)


messages = agent.invoke({"messages": [("human", "What is the square root of 101?")]})

print(messages)

ReAct-agent

{'messages': [
    HumanMessage(content='What is the square root of 101?', ...),
    AIMessage(content='', ..., tool_calls=[{'name': 'Calculator', 'args': {'__arg1': 'sqrt(101)'}, ...),
    ToolMessage(content='Answer: 10.04987562112089', ...),
    AIMessage(content='The square root of 101 is approximately 10.05.', ...)
]}

print(messages['messages'][-1].content)

The square root of 101 is approximately 10.05.

Laten we oefenen!

LLM-toepassingen ontwikkelen met LangChain