12｜代理（中）：AgentExecutor究竟是怎样驱动模型和工具完成任务的？
Agent 的关键组件
荧光笔
直线
曲线- 深入了解
- 翻译
- 解释
- 总结
AgentExecutor是LangChain中驱动模型和工具完成任务的关键组件。它通过代理执行器调用代理，执行操作序列，实现了模型的推理和工具选择。文章深入探讨了AgentExecutor的运行机制，包括代理给大模型的提示和代理执行器按照ReAct框架调用模型、接收模型输出并调用工具。通过对AgentExecutor的运行机制的深入挖掘，读者可以了解LangChain内部的逻辑和代码实现细节。文章还通过具体的调用示例展示了AgentExecutor的工作流程，包括模型接收提示信息、选择工具、执行操作、观察结果，并根据结果决定下一步行动。这些内容使读者能够快速了解LangChain中AgentExecutor的作用和运行机制，为深入理解LangChain提供了重要的参考。文章内容详实，通过具体的调用示例展示了AgentExecutor的工作流程，使读者能够快速了解LangChain中AgentExecutor的作用和运行机制，为深入理解LangChain提供了重要的参考。
《LangChain 实战课》，新⼈⾸单¥59
全部留言(13)
- 最新
- 精选
刘旺旺各位同学可以尝试在测试脚本中添加一段代码: ```python import langchain langchain.debug = True ``` 这样可以看到大部分思考过程！作者回复: 特别好！！
2024-01-19归属地：北京5
iLeGeND感觉能多能力 不管是chain还是代理,本质上都是给大模型完善的提示词呢, 并且langchain在适当的环节,内置了很多适当的提示词,结合上下文,觉得下一步做什么,引导大模型完成对应的需求, langchain本质上还是提供了默认的提示词,不知道理解的对不对作者回复: 对，这些提示词是值得我们学习的。此外，在AgentExecutor中，还构建了自主计划和调用工具的逻辑。
2023-09-30归属地：湖北4
一只豆在最近比较火的Agent综述文章中，Agent被概括为：Profile Memory Plan Tool这四个模块。结合老师这讲前半部分说的“LLM编程新范式”：不是把操作序列硬编码进去，而是让GPT3/4这样的模型去选择这些操作序列。 可不可以理解为：所谓 Plan，就是定义了“操作序列”（？）；所谓Profile，就是提供了“选择操作序列”时推理所需的高层次背景信息？ 反思Reflect，是引导LLM生成推理需要的中观信息？ Memory和Tool是基于此的支撑？ 提问心态：我已经通过prompt engineering验证了某个业务领域的多层次复杂问题框架，现在需要使用Agent思想工程化。所以在试着塞进去，还请老师明示！多谢！作者回复: 谢谢同学这么有深度的提问。确实，从你描述的情境和Agent的综述文章的四个模块来看，你的理解是很接近的。 Profile : 定义了Agent的个性、知识和经验。 提供了“选择操作序列”时推理所需的高层次背景信息。 当Agent处理特定的任务时，它会考虑Profile中的信息来做出与其“个性”和“经验”相一致的决策。 Memory (记忆): 让Agent能够记住之前的交互和决策，帮助其更好地适应和处理后续的任务。 在LLM的编程中，它可以帮助模型跟踪和使用之前的交互来生成更准确的操作序列。 Plan (计划): 是你提到的“定义操作序列”的部分。 在LLM编程范式中，这意味着Agent不是依靠硬编码的规则来执行任务，而是生成、选择和执行计划，这些计划是基于其当前的Profile和Memory生成的。 Tool (工具): 允许Agent与外部系统和API进行交互，执行具体的任务。 在LLM编程范式中，这意味着模型可以调用外部工具或API来实现某些操作，而不仅仅是生成文本。 当你提到的“反思Reflect”是指模型的自我反思和自我调整能力，这确实是指导LLM生成推理所需的中观信息。它可以帮助模型更好地适应任务和上下文，生成更准确的操作序列。 基于你的业务需求，使用Agent的四个模块框架是一个很好的思路。在工程化时，你可以考虑如何整合这四个模块，并结合LLM的编程范式来处理复杂的业务逻辑和交互。
2023-10-13归属地：广东33
阿斯蒂芬先打卡学习。 人类一思考，上帝就发笑。大模型一循环思考，我就忍俊不住要惊呼点赞！ 话说第一张图Tack是写错了吗？应该是Task？作者回复: 也给你点赞！坚持学习力超强 嗯嗯，应该改成Task，我们改一下。
2023-09-27归属地：广东2
漏网之渔agent执行的过程中，prompt是不断累计的么，会出现token上限的情况吗作者回复: 从模型的输出来看，Prompt的确是越来越多的。一段时间后，应该是会达到上限。如何节约Token，我想对于LangChain内部机制来说，也是一个大课题。同学可以Debug一下看看LangChain有什么限制Token数量的机制。当然将来LLM所能够接纳的上限也会增加的。
2023-10-08归属地：北京1- Geek_339c29大佬，我们公司现在在计划做一个AI产品核心，形成自己的core产品，后续接到具体的客户订单的时候，可以直接基于core做一些定制化的开发以此来快速完成各种项目。不知道我理解的对不对，目前有个fastgpt开源项目，是不是做了可视化的chain组装最后生成的是agent？ 如果我们要做这样的一个core产品，是不是也是这样一个类似的东西，有哪些东西值得做在这个core里面？
作者回复: 同学的问题有点宏观。思路是对的，但是感觉具体落地细节有很多要实现的内容。可以进一步说说具体细节吗，我们可以进一步分析。
2023-12-24归属地：江苏 - Geek_085d59请问调用数学计算工具时，为什么是llm在做计算，我理解的不应该是让大模型返回工具名称和参数，然后langchain本地调用python工具计算吗
作者回复: 难道不是大模型返回Python代码，然后另一个工具调用Python做计算的吗？？理论上应该是这样的哈！！
2023-11-18归属地：北京2 
SH老师， 看你本次的分析中，都会重复的出现 那个 思考-行动-观察的步骤，每一轮得到一个结果，再重复执行之前的步骤时，把上一步的结果代入到新的任务，有点不理解， 在这里为什么基于上次的逻辑里面，在需要的结果处继续往下执行的呢？而且重新思考一轮呢？ 这样是不是会很浪费 token ?作者回复: 大家讨论讨论这个问题吧
2023-11-05归属地：浙江4- iLeGeNDchain中决策走哪一个分支,和代理中选择用哪一个代理, 本质上是一回事吗
作者回复: 是一回事，都是用LLM的推理能力来决策。
2023-09-30归属地：湖北 
Kevindebug的详细过程能不能也专门出一节课，整个判断的思路形成过程特别重要，谢谢啦~作者回复: 同学好，这节课不正是Debug的详细过程嘛？感觉已经写到很细了呀。
2023-09-29归属地：英国