目前为止，我们实现的RAG练习中，答案都是全部来源于检索到的文本内容。而检索过程可能在某些情况下是不需要的。
如何优化这个过程，让我们的RAG程序在必要时才去检索，不必要时，直接使用大模型原有数据来回答呢？本文我们一起来学习下。
本文我们将使用 LangChain 的 Agents 模块来将 Retriever 当作工具，让大模型在有必要时才去使用它。
0. 实现 Retriever
首先我们得现有一个Retrivever，才能在有需要时能够进行查询。搭建Retriever的过程就不展开了，前面我们已经做了非常多的练习，具体可以参考这篇文章：。
python代码解读复制代码import bs4
from langchain import hub
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import Chroma
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
loader = WebBaseLoader(
web_paths=("https://lilianweng.github.io/posts/2023-06-23-agent/",),
bs_kwargs=dict(
parse_only=bs4.SoupStrainer(
class_=("post-content", "post-title", "post-header")
)
),
)
docs = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = text_splitter.split_documents(docs)
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())
retriever = vectorstore.as_retriever()
1. 实现 Retriever Tool
通过 LangChain 自带的 create_retriever_tool 来将 Retriever 封装成一个可供 Agents 模块调用的 Tool。
create_retriever_tool 在使用过程中，最重要的是第三个参数，这是你这个工具的描述，这个描述相当于一个Prompt，将决定大模型是否会调用这个工具。
python代码解读复制代码from langchain.tools.retriever import create_retriever_tool
tool = create_retriever_tool(
retriever,
"search_agents_answer",
"Searches and returns context from LLM Powered Autonomous Agents. Answering questions about the agents.",
)
tools = [tool]
2. Prompt模板和模型加载
python代码解读复制代码from langchain import hub
prompt = hub.pull("hwchase17/openai-tools-agent")
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(temperature=0)
这块没有特别注意的，就是将需要的元素都创建好，供后面创建 Agent 使用。
看一眼加载的Prompt模板内容：
- 小Tips：打印Prompt模板内容，可以使用
prompt.pretty_print() 函数，将打印成上图中比较美观的样子。
3. 创建 Agent 和 Agent 执行器
准备好 llm、tools、prompt之后，创建Agent 和 AgentExecutor
python代码解读复制代码from langchain.agents import AgentExecutor, create_openai_tools_agent
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
其中 create_openai_tools_agent，是 LangChain 对于使用 OpenAI 工具的Agent的封装：
python代码解读复制代码def create_openai_tools_agent(
llm: BaseLanguageModel, tools: Sequence[BaseTool], prompt: ChatPromptTemplate
) -> Runnable:
"""Create an agent that uses OpenAI tools.
Args:
llm: LLM to use as the agent.
tools: Tools this agent has access to.
prompt: The prompt to use. See Prompt section below for more on the expected
input variables.
其实现原理，就是将 tools 首先转换成OpenAI格式的工具描述，然后与 OpenAI 大模型进行绑定（源码中的这一句：llm_with_tools = llm.bind(tools=[convert_to_openai_tool(tool) for tool in tools])）。这是 Function Calling 部分的知识，不了解的可以补一下：
4. 完整代码及运行结果
4.1 运行代码
调用 invoke 接口即可运行。
python代码解读复制代码result = agent_executor.invoke({"input": "hi, 我是【同学小张】"})
print(result["output"])
result = agent_executor.invoke(
{
"input": "What is Task Decomposition?"
}
)
print("output2: ", result["output"])
4.2 完整代码
python代码解读复制代码import bs4
from langchain import hub
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import Chroma
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
loader = WebBaseLoader(
web_paths=("https://lilianweng.github.io/posts/2023-06-23-agent/",),
bs_kwargs=dict(
parse_only=bs4.SoupStrainer(
class_=("post-content", "post-title", "post-header")
)
),
)
docs = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = text_splitter.split_documents(docs)
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())
retriever = vectorstore.as_retriever()
from langchain.tools.retriever import create_retriever_tool
tool = create_retriever_tool(
retriever,
"search_agents_answer",
"Searches and returns context from LLM Powered Autonomous Agents. Answering questions about the agents.",
)
tools = [tool]
from langchain import hub
prompt = hub.pull("hwchase17/openai-tools-agent")
prompt.pretty_print()
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(temperature=0)
from langchain.agents import AgentExecutor, create_openai_tools_agent
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({"input": "hi, 我是【同学小张】"})
print(result["output"])
result = agent_executor.invoke(
{
"input": "What is Task Decomposition?"
}
)
print("output2: ", result["output"])
4.2 运行结果与解释
第一个问题，简单打个招呼，这时候不需要也不能去查文本，应该直接使用大模型自身的能力来回复。
第二个问题，涉及 Agents 相关知识，需要调用 Retriever 去查询相关资料，利用资料去回复。
本文参考教程：
如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~
最后如果您也对AI大模型感兴趣想学习却苦于没有方向👀
小编给自己收藏整理好的学习资料分享出来给大家💖
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码关注免费领取【保证100%免费】🆓
一、全套 AGI 大模型学习路线
AI 大模型时代的精彩学习之旅：从根基铸就到前沿探索，牢牢掌握人工智能核心技能！
二、0 套 AI 大模型报告合集
此套涵盖 0 份报告的精彩合集，全面涉及 AI 大模型的理论研究、技术实现以及行业应用等诸多方面。无论你是科研工作者、工程师，还是对 AI 大模型满怀热忱的爱好者，这套报告合集都将为你呈上宝贵的信息与深刻的启示。
三、AI 大模型经典 PDF 书籍
伴随人工智能技术的迅猛发展，AI 大模型已然成为当今科技领域的一大热点。这些大型预训练模型，诸如 GPT-3、BERT、XLNet 等，凭借其强大的语言理解与生成能力，正在重塑我们对人工智能的认知。而以下这些 PDF 书籍无疑是极为出色的学习资源。
阶段 1：AI 大模型时代的基础认知
阶段 2：AI 大模型 API 应用开发工程
阶段 3：AI 大模型应用架构实践
阶段 4：AI 大模型私有化部署
学习计划：
- 阶段 1：历时 1 至 2 个月，构建起 AI 大模型的基础知识体系。
- 阶段 2：花费 2 至 3 个月，专注于提升 API 应用开发能力。
- 阶段 3：用 3 至 4 个月，深入实践 AI 大模型的应用架构与私有化部署。
- 阶段 4：历经 4 至 5 个月，专注于高级模型的应用与部署。
