13｜从头实现一个Agent

郑晔

你好，我是郑晔！
上一讲，我们已经从概念上了解了 Agent。你现在知道 Agent 其实也是一个软件系统，只不过，因为有了大模型的加持，它有了一个可以做“自主”推理的大脑，完成很多“智能”的工作。
这一讲，我们来实现一个 Agent。不同于之前借助 LangChain，这次我们会用更底层的方式实现一个 Agent，帮助你更好地理解 Agent 的运作原理。
我们构建这个 Agent 会基于 ReAct 来实现，我们在 04 讲介绍过，ReAct 表示 Reasoning + Acting，也就是推理和行动。采用这个模式，要经历思考（Thought）、行动（Action）、观察（Observation）三个阶段。
大模型会先思考要做什么，决定采用怎样的行动，然后在环境中执行这个行动，返回一个观察结果。有了这个观察结果，大模型就会重复思考的过程，再次考虑要做什么，采用怎样的行动，这个过程会持续到大模型决定这个过程结束为止。
我们的实现代码参考了 Simon Willison 的一篇文章，这篇文章介绍了如何用 Python 实现 ReAct 模式。
基础的聊天机器人我们先来实现一个基础的聊天机器人：
from openai import OpenAI
DEFAULT_MODEL = "gpt-4o-mini"
client = OpenAI()
class Agent:
    def __init__(self, system=""):
        self.system = system
        self.messages = []
        if self.system:
            self.messages.append({"role": "system", "content": system})
    def invoke(self, message):
        self.messages.append({"role": "user", "content": message})
        result = self.execute()
        self.messages.append({"role": "assistant", "content": result})
        return result
    def execute(self):
        completion = client.chat.completions.create(
            model=DEFAULT_MODEL,
            messages=self.messages,
            temperature=0
        )
        return completion.choices[0].message.content

公开

同步至部落

取消

完成

0/2000

荧光笔

直线

曲线

笔记

复制

AI

深入了解
翻译
英语
中文简体
法语
德语
日语
韩语
俄语
西班牙语
解释
总结

1. 本文介绍了如何从头实现一个Agent，通过底层的方式实现一个Agent，帮助读者更好地理解Agent的运作原理。 2. 文中提到了使用ReAct模式来构建Agent，ReAct表示Reasoning+Acting，包括思考、行动和观察三个阶段。 3. 通过示例代码展示了如何实现一个基础的聊天机器人，以及ReAct提示词的创建和动作的实现。 4. 重点介绍了ReAct描述、可用的动作和示例，以及两个动作的具体实现，强调了动作代码是发挥想象力的重要一环。

仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《程序员的 AI 开发第一课》，新⼈⾸单¥59

立即购买

登录后留言

精选留言

由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。

收起评论