ChatGLM3 langchain_demo 代码解析

0. 背景

学习 ChatGLM3 的项目内容，过程中使用 AI 代码工具，对代码进行解释，帮助自己快速理解代码。这篇文章记录 ChatGLM3 langchain_demo 的代码解析内容。

1. 项目代码结构

2. 代码解析

2-1. utils.py

import os
import yamldef tool_config_from_file(tool_name, directory="Tool/"):"""search tool yaml and return json format"""for filename in os.listdir(directory):if filename.endswith('.yaml') and tool_name in filename:file_path = os.path.join(directory, filename)with open(file_path, encoding='utf-8') as f:return yaml.safe_load(f)return None

这段代码定义了一个函数 tool_config_from_file，用于从文件中加载工具的配置信息。

该函数接受两个参数：tool_name 表示要加载的工具名称，directory 表示存储工具配置文件的目录，默认为 “Tool/”。

在函数中，首先使用 os.listdir 函数获取指定目录下的所有文件名。然后，通过遍历文件名列表，找到以 “.yaml” 结尾且包含指定工具名称的文件。如果找到了匹配的文件，就构造文件的完整路径，并使用 open 函数打开文件。接着，使用 yaml.safe_load 函数加载文件内容，并将其转换为 JSON 格式的数据返回。

如果遍历完所有文件后仍未找到匹配的工具配置文件，则返回 None。

总体而言，这段代码定义了一个函数 tool_config_from_file，用于根据工具名称和文件目录获取工具的配置信息，并将其转换为 JSON 格式的数据返回。

2-2. ChatGLM3.py

import json
from langchain.llms.base import LLM
from transformers import AutoTokenizer, AutoModel, AutoConfig
from typing import List, Optional
from utils import tool_config_from_file

这段代码导入了一些模块和函数，并定义了一些类型注解。

首先，导入了 json 模块，用于处理 JSON 数据。 然后，导入了 LLM 类和 AutoTokenizer、AutoModel、AutoConfig 类，这些来自 langchain.llms.base 和 transformers 模块，用于构建和配置语言模型。 接下来，导入了 List 和 Optional 类型，用于类型注解。 最后，导入了 tool_config_from_file 函数，该函数来自 utils 模块，用于加载工具的配置信息。

总体而言，这段代码导入了所需的模块、类和函数，以及定义了一些类型注解。

class ChatGLM3(LLM):max_token: int = 8192do_sample: bool = Falsetemperature: float = 0.8top_p = 0.8tokenizer: object = Nonemodel: object = Nonehistory: List = []tool_names: List = []has_search: bool = Falsedef __init__(self):super().__init__()@propertydef _llm_type(self) -> str:return "ChatGLM3"def load_model(self, model_name_or_path=None):model_config = AutoConfig.from_pretrained(model_name_or_path,trust_remote_code=True)self.tokenizer = AutoTokenizer.from_pretrained(model_name_or_path,trust_remote_code=True)self.model = AutoModel.from_pretrained(model_name_or_path, config=model_config, trust_remote_code=True).half().cuda()def _tool_history(self, prompt: str):ans = []tool_prompts = prompt.split("You have access to the following tools:\n\n")[1].split("\n\nUse a json blob")[0].split("\n")tool_names = [tool.split(":")[0] for tool in tool_prompts]self.tool_names = tool_namestools_json = []for i, tool in enumerate(tool_names):tool_config = tool_config_from_file(tool)if tool_config:tools_json.append(tool_config)else:ValueError(f"Tool {tool} config not found! It's description is {tool_prompts[i]}")ans.append({"role": "system","content": "Answer the following questions as best as you can. You have access to the following tools:","tools": tools_json})query = f"""{prompt.split("Human: ")[-1].strip()}"""return ans, querydef _extract_observation(self, prompt: str):return_json = prompt.split("Observation: ")[-1].split("\nThought:")[0]self.history.append({"role": "observation","content": return_json})returndef _extract_tool(self):if len(self.history[-1]["metadata"]) > 0:metadata = self.history[-1]["metadata"]content = self.history[-1]["content"]if "tool_call" in content:for tool in self.tool_names:if tool in metadata:input_para = content.split("='")[-1].split("'")[0]action_json = {"action": tool,"action_input": input_para}self.has_search = Truereturn f"""
Action: 

{json.dumps(action_json, ensure_ascii=False)}

        final_answer_json = {"action": "Final Answer","action_input": self.history[-1]["content"]}self.has_search = Falsereturn f"""
Action: 

{json.dumps(final_answer_json, ensure_ascii=False)}

def _call(self, prompt: str, history: List = [], stop: Optional[List[str]] = ["<|user|>"]):print("======")print(prompt)print("======")if not self.has_search:self.history, query = self._tool_history(prompt)else:self._extract_observation(prompt)query = ""# print("======")# print(history)# print("======")_, self.history = self.model.chat(self.tokenizer,query,history=self.history,do_sample=self.do_sample,max_length=self.max_token,temperature=self.temperature,)response = self._extract_tool()history.append((prompt, response))return response

这段代码定义了一个名为 ChatGLM3 的类，该类继承自 LLM 类。

以下是这个类的成员变量和方法的详细解析：

• max_token: int = 8192：最大令牌数，默认为 8192。

• do_sample: bool = False：是否进行采样，默认为 False。

• temperature: float = 0.8：采样温度，默认为 0.8。

• top_p = 0.8：top-p 采样的概率阈值，默认为 0.8。

• tokenizer: object = None：tokenizer 对象，默认为 None。

• model: object = None：模型对象，默认为 None。

• history: List = []：对话历史记录列表，默认为空列表。

• tool_names: List = []：工具名称列表，默认为空列表。

• has_search: bool = False：是否进行工具搜索的标志位，默认为 False。

• init(self)：类的构造函数，调用父类 LLM 的构造函数。

• _llm_type(self) -> str：类属性，返回字符串 “ChatGLM3”。

• load_model(self, model_name_or_path=None)：加载模型的方法。根据模型的名称或路径，使用 AutoConfig、AutoTokenizer 和 AutoModel 类从预训练模型中加载配置、tokenizer 和模型，并将模型转化为半精度浮点数并放置在 CUDA 设备上。

• _tool_history(self, prompt: str)：提取工具历史记录的方法。根据提示字符串，从中提取出工具名称和工具配置信息，并将其存储到 tool_names 和 tools_json 中，最后将结果作为字典添加到 ans 列表中，并返回 ans 列表和查询字符串。

• _extract_observation(self, prompt: str)：提取观察信息的方法。从提示字符串中提取观察信息，将其添加到历史记录列表 history 中。

• _extract_tool(self)：提取工具信息的方法。根据最后一条历史记录的元数据和内容，判断是否存在工具调用。如果存在，遍历工具名称列表，如果某个工具名称出现在元数据中，提取出输入参数，并构造一个动作 JSON 对象。同时，将 has_search 设置为 True。如果不存在工具调用，构造一个最终回答的动作 JSON 对象，并将 has_search 设置为 False。最后，返回包含动作 JSON 的字符串。

• _call(self, prompt: str, history: List = [], stop: Optional[List[str]] = [“<|user|>”])：执行对话的方法。根据是否进行工具搜索的标志位，调用 _tool_history 方法或 _extract_observation 方法来获取查询字符串和更新历史记录。然后，使用模型的 chat 方法进行对话生成，并将结果传递给 _extract_tool 方法，提取工具信息。最后，将提示和响应添加到历史记录列表中，并返回响应。

总体而言，这段代码定义了一个名为ChatGLM3 的类，该类继承自 LLM 类。它包含了一些成员变量和方法，用于加载模型、提取工具历史记录、提取观察信息和执行对话。

在 load_model 方法中，模型的配置、tokenizer 和模型本身被加载，并存储在 tokenizer 和 model 成员变量中。

_tool_history 方法用于从提示字符串中提取工具历史记录。它首先将提示字符串按特定的分隔符切分，然后从切分结果中提取工具名称和相应的工具配置信息。这些信息被存储在 tool_names 和 tools_json 成员变量中，并作为字典添加到 ans 列表中。最后，返回 ans 列表和查询字符串。

_extract_observation 方法用于从提示字符串中提取观察信息。它将观察信息存储在 history 成员变量中。

_extract_tool 方法用于提取工具信息。它检查最后一条历史记录的元数据和内容，判断是否存在工具调用。如果存在工具调用，它将提取出工具名称和输入参数，并构造一个包含动作和输入参数的 JSON 对象。如果不存在工具调用，它将构造一个包含最终回答动作的 JSON 对象。最后，它将返回包含动作 JSON 的字符串。

_call 方法用于执行对话。它根据 has_search 标志位，选择调用 _tool_history 方法或 _extract_observation 方法，获取查询字符串和更新历史记录。然后，它使用模型的 chat 方法生成响应，并将结果传递给 _extract_tool 方法，提取工具信息。最后，它将提示和响应添加到历史记录列表中，并返回响应。

总体而言，这段代码定义了一个用于对话生成的类 ChatGLM3，它继承自 LLM 类，并提供了加载模型、提取工具历史记录、提取观察信息和执行对话的功能。

    def _tool_history(self, prompt: str):ans = []tool_prompts = prompt.split("You have access to the following tools:\n\n")[1].split("\n\nUse a json blob")[0].split("\n")tool_names = [tool.split(":")[0] for tool in tool_prompts]self.tool_names = tool_namestools_json = []for i, tool in enumerate(tool_names):tool_config = tool_config_from_file(tool)if tool_config:tools_json.append(tool_config)else:ValueError(f"Tool {tool} config not found! It's description is {tool_prompts[i]}")ans.append({"role": "system","content": "Answer the following questions as best as you can. You have access to the following tools:","tools": tools_json})query = f"""{prompt.split("Human: ")[-1].strip()}"""return ans, query

这段代码定义了一个名为 _tool_history 的方法，它接受一个参数 prompt，该参数是一个字符串。

以下是这段代码的详细解析：

• ans = []：创建一个空列表 ans，用于存储返回结果。

• tool_prompts = prompt.split(“You have access to the following tools:\n\n”)[1].split(“\n\nUse a json blob”)[0].split(“\n”)：从 prompt 字符串中提取工具提示信息。它使用特定的分隔符将 prompt 字符串进行切分，提取包含工具提示信息的部分，并将其存储在 tool_prompts 列表中。

• tool_names = [tool.split(“:”)[0] for tool in tool_prompts]：从 tool_prompts 列表中提取工具名称。它使用冒号进行切分，并将每个工具的名称存储在 tool_names 列表中。

• self.tool_names = tool_names：将 tool_names 列表赋值给类的成员变量 tool_names。

• tools_json = []：创建一个空列表 tools_json，用于存储工具的配置信息。

• for i, tool in enumerate(tool_names):：对 tool_names 列表进行遍历，循环变量 tool 表示当前遍历的工具名称，循环变量 i 表示当前遍历的索引。

  • tool_config = tool_config_from_file(tool)：调用 tool_config_from_file 函数，根据工具名称获取工具的配置信息，并将结果存储在 tool_config 变量中。

  • if tool_config:：检查 tool_config 是否存在。

    • tools_json.append(tool_config)：如果 tool_config 存在，则将其添加到 tools_json 列表中。

  • else:：否则，如果 tool_config 不存在。

    • ValueError(…)：抛出一个 ValueError 异常，提示工具配置未找到，并包含工具的描述信息。

• ans.append({…})：将一个字典对象添加到 ans 列表中。字典包含以下键值对：

  • “role”: “system”：角色为 “system”，表示系统的角色。
  • “content”: “Answer the following questions as best as you can. You have access to the following tools:”：内容为提示信息。
  • “tools”: tools_json：工具列表为 tools_json。

• query = f"“”{prompt.split(“Human: “)[-1].strip()}””"：从 prompt 字符串中提取查询字符串。它首先根据特定的分隔符将 prompt 字符串进行切分，然后从切分结果中选择最后一个元素，并去除首尾空格。

• return ans, query：返回 ans 列表和 query 字符串作为结果。

总体而言，这段代码定义了一个方法 _tool_history，它从 prompt 字符串中提取工具提示信息，并构造一个包含提示信息、工具列表和查询字符串的字典对象。

    def _extract_observation(self, prompt: str):return_json = prompt.split("Observation: ")[-1].split("\nThought:")[0]self.history.append({"role": "observation","content": return_json})return

这段代码定义了一个名为 _extract_observation 的方法，它接受一个参数 prompt，该参数是一个字符串。

以下是这段代码的详细解析：

• return_json = prompt.split(“Observation: “)[-1].split(”\nThought:”)[0]：从 prompt 字符串中提取观察信息。它首先根据特定的分隔符将 prompt 字符串进行切分，然后选择切分结果中的最后一个元素，并再次根据特定的分隔符将其进行切分，最后选择切分结果中的第一个元素。

• self.history.append({…})：将一个字典对象添加到类的成员变量 history 列表中。字典包含以下键值对：

  • “role”: “observation”：角色为 “observation”，表示观察的角色。
  • “content”: return_json：内容为观察信息。

• return：没有指定返回值，默认返回 None。

总体而言，这段代码定义了一个方法 _extract_observation，它从 prompt 字符串中提取观察信息，并将观察信息添加到类的历史记录列表 history 中。

    def _extract_tool(self):if len(self.history[-1]["metadata"]) > 0:metadata = self.history[-1]["metadata"]content = self.history[-1]["content"]if "tool_call" in content:for tool in self.tool_names:if tool in metadata:input_para = content.split("='")[-1].split("'")[0]action_json = {"action": tool,"action_input": input_para}self.has_search = Truereturn f"""
Action: 

{json.dumps(action_json, ensure_ascii=False)}

        final_answer_json = {"action": "Final Answer","action_input": self.history[-1]["content"]}self.has_search = Falsereturn f"""
Action: 

{json.dumps(final_answer_json, ensure_ascii=False)}

def _call(self, prompt: str, history: List = [], stop: Optional[List[str]] = ["<|user|>"]):print("======")print(prompt)print("======")if not self.has_search:self.history, query = self._tool_history(prompt)else:self._extract_observation(prompt)query = ""# print("======")# print(history)# print("======")_, self.history = self.model.chat(self.tokenizer,query,history=self.history,do_sample=self.do_sample,max_length=self.max_token,temperature=self.temperature,)response = self._extract_tool()history.append((prompt, response))return response

这段代码包含两个方法 _extract_tool 和 _call。

以下是这段代码的详细解析：

_extract_tool 方法：

• if len(self.history[-1][“metadata”]) > 0:：检查历史记录的最后一项是否包含元数据。如果包含元数据，则执行以下操作。

  • metadata = self.history[-1][“metadata”]：将元数据存储在变量 metadata 中。

  • content = self.history[-1][“content”]：将历史记录的最后一项的内容存储在变量 content 中。

  • if “tool_call” in content:：检查内容中是否包含字符串 “tool_call”。如果包含，则执行以下操作。

    • for tool in self.tool_names:：对工具名称列表进行遍历，循环变量 tool 表示当前遍历的工具名称。

      • if tool in metadata:：检查工具名称是否存在于元数据中。如果存在，则执行以下操作。

        • input_para = content.split(“='”)[-1].split(“'”)[0]：从内容中提取输入参数。它首先根据特定的分隔符将内容进行切分，然后选择切分结果中的倒数第二个元素，并再次根据特定的分隔符将其进行切分，最后选择切分结果中的第一个元素。

        • action_json = {…}：构造一个包含动作和输入参数的字典对象。字典包含以下键值对：

          • “action”: tool：动作为工具名称。
          • “action_input”: input_para：动作输入参数为提取的输入参数。

        • self.has_search = True：将成员变量 has_search 设置为 True，表示存在搜索。

      • return f"…"：返回一个包含动作 JSON 的字符串。字符串使用 Markdown 格式进行格式化，显示动作 JSON。

• final_answer_json = {…}：构造一个包含最终回答动作的字典对象。字典包含以下键值对：

  • “action”: “Final Answer”：动作为 “Final Answer”。
  • “action_input”: self.history[-1][“content”]：动作输入参数为历史记录的最后一项的内容。

• self.has_search = False：将成员变量 has_search 设置为 False，表示不存在搜索。

• return f"…"：返回一个包含动作 JSON 的字符串。字符串使用 Markdown 格式进行格式化，显示动作 JSON。

_call 方法：

• print(“======”)：打印分隔线。

• print(prompt)：打印传入的参数 prompt。

• print(“======”)：打印分隔线。

• if not self.has_search:：检查成员变量 has_search 是否为 False。如果为 False，表示不存在搜索，执行以下操作。

  • self.history, query = self._tool_history(prompt)：调用 _tool_history 方法，获取历史记录和查询字符串。将返回的历史记录赋值给类的成员变量 history，将返回的查询字符串赋值给变量 query。

• else:：如果存在搜索

  • self._extract_observation(prompt)：调用 _extract_observation 方法，从 prompt 中提取观察信息，并将其添加到类的历史记录列表 history 中。

  • query = “”：将查询字符串设置为空字符串。

• _, self.history = self.model.chat(…)：调用 model.chat 方法进行对话。它使用模型、分词器和其他参数来生成对话的响应。返回的结果包含生成的响应和更新后的历史记录。使用 _ 忽略生成的响应，将更新后的历史记录赋值给类的成员变量 history。

• response = self._extract_tool()：调用 _extract_tool 方法，从更新后的历史记录中提取工具动作并生成响应。

• history.append((prompt, response))：将元组 (prompt, response) 添加到 history 列表中，用于记录对话历史。

• return response：返回生成的响应作为结果。

总体而言，这段代码定义了两个方法 _extract_tool 和 _call。_extract_tool 方法用于从历史记录中提取工具动作，生成相应的响应。_call 方法用于处理对话流程，包括提取观察信息、生成对话响应和记录对话历史。

2-3. Tool/Calculator.py

import abc
import math
from typing import Anyfrom langchain.tools import BaseToolclass Calculator(BaseTool, abc.ABC):name = "Calculator"description = "Useful for when you need to answer questions about math"def __init__(self):super().__init__()async def _arun(self, *args: Any, **kwargs: Any) -> Any:# 用例中没有用到 arun 不予具体实现passdef _run(self, para: str) -> str:para = para.replace("^", "**")if "sqrt" in para:para = para.replace("sqrt", "math.sqrt")elif "log" in para:para = para.replace("log", "math.log")return eval(para)if __name__ == "__main__":calculator_tool = Calculator()result = calculator_tool.run("sqrt(2) + 3")print(result)

这段代码定义了一个名为 Calculator 的类，它继承自 BaseTool 类和 abc.ABC 抽象基类。Calculator 类是一个计算器工具，用于执行数学计算操作。

以下是这段代码的详细解析：

• import abc：导入 abc 模块，用于定义抽象基类。

• import math：导入 math 模块，用于执行数学计算操作。

• from typing import Any：从 typing 模块导入 Any 类型，用于函数参数和返回值的类型注解。

• from langchain.tools import BaseTool：从 langchain.tools 模块导入 BaseTool 类，用作 Calculator 类的父类。

• class Calculator(BaseTool, abc.ABC):：定义了一个名为 Calculator 的类，它继承自 BaseTool 类和 abc.ABC 抽象基类。Calculator 类表示一个计算器工具。

  • name = “Calculator”：类属性 name 被设置为字符串 “Calculator”，表示工具的名称。

  • description = “Useful for when you need to answer questions about math”：类属性 description 被设置为字符串 “Useful for when you need to answer questions about math”，表示工具的描述信息。

  • def init(self):：构造函数，用于初始化 Calculator 类的实例。它调用父类的构造函数 super().init() 来完成初始化。

  • async def _arun(self, *args: Any, **kwargs: Any) -> Any:：定义了一个异步方法 _arun，它接受任意数量的位置参数和关键字参数，并返回任意类型的值。在这段代码中，_arun 方法没有具体的实现，因为在示例中没有使用到它。

  • def _run(self, para: str) -> str:：定义了一个方法 _run，它接受一个字符串参数 para，并返回一个字符串。在这个方法中，它首先对参数 para 进行替换操作，将字符串中的 “^” 替换为 “**”。然后，它检查参数 para 中是否包含 “sqrt”，如果是，则将 “sqrt” 替换为 “math.sqrt”；如果参数 para 中包含 “log”，则将 “log” 替换为 “math.log”。最后，使用 eval 函数来执行参数 para 的计算操作，并返回计算结果。

请注意，这段代码中的 BaseTool 类没有给出具体的定义，因此我无法提供关于它的更多详细信息。如果您能提供 BaseTool 类的定义或相关代码，我将能够给出更准确的解释。

2-4. Tool/Weather.py

import os
from typing import Anyimport requests
from langchain.tools import BaseToolclass Weather(BaseTool):name = "weather"description = "Use for searching weather at a specific location"def __init__(self):super().__init__()async def _arun(self, *args: Any, **kwargs: Any) -> Any:# 用例中没有用到 arun 不予具体实现passdef get_weather(self, location):api_key = os.environ["SENIVERSE_KEY"]url = f"https://api.seniverse.com/v3/weather/now.json?key={api_key}&location={location}&language=zh-Hans&unit=c"response = requests.get(url)if response.status_code == 200:data = response.json()weather = {"temperature": data["results"][0]["now"]["temperature"],"description": data["results"][0]["now"]["text"],}return weatherelse:raise Exception(f"Failed to retrieve weather: {response.status_code}")def _run(self, para: str) -> str:return self.get_weather(para)if __name__ == "__main__":weather_tool = Weather()weather_info = weather_tool.run("成都")print(weather_info)

这段代码定义了一个名为 Weather 的类，它继承自 BaseTool 类。Weather 类是一个天气工具，用于查询特定位置的天气信息。

以下是代码的详细解析：

• import os：导入 os 模块，用于访问操作系统的功能，例如环境变量。

• from typing import Any：从 typing 模块导入 Any 类型，用于函数参数和返回值的类型注解。

• import requests：导入 requests 模块，用于发送 HTTP 请求。

• from langchain.tools import BaseTool：从 langchain.tools 模块导入 BaseTool 类，用作 Weather 类的父类。

• class Weather(BaseTool):：定义了一个名为 Weather 的类，它继承自 BaseTool 类。Weather 类表示一个天气工具。

  • name = “weather”：类属性 name 被设置为字符串 “weather”，表示工具的名称。

  • description = “Use for searching weather at a specific location”：类属性 description 被设置为字符串 “Use for searching weather at a specific location”，表示工具的描述信息。

  • def init(self):：构造函数，用于初始化 Weather 类的实例。它调用父类的构造函数 super().init() 来完成初始化。

  • async def _arun(self, *args: Any, **kwargs: Any) -> Any:：定义了一个异步方法 _arun，它接受任意数量的位置参数和关键字参数，并返回任意类型的值。在这段代码中，_arun 方法没有具体的实现，因为在示例中没有使用到它。

  • def get_weather(self, location):：定义了一个方法 get_weather，它接受一个参数 location，表示要查询的位置。在这个方法中，它使用 os.environ 字典获取名为 “SENIVERSE_KEY” 的环境变量作为 API 密钥。然后，它构建一个 URL，使用 requests.get 方法发送 GET 请求到该 URL，并获取响应结果。如果响应的状态码为 200（表示请求成功），则解析响应的 JSON 数据，并返回包含温度和天气描述的字典。如果响应的状态码不为 200，则抛出异常。

  • def _run(self, para: str) -> str:：定义了一个方法 _run，它接受一个字符串参数 para，并返回一个字符串。在这个方法中，它调用 get_weather 方法，传入参数 para（表示要查询的位置），并返回查询到的天气信息。

2-5. main.py

from typing import List
from ChatGLM3 import ChatGLM3from langchain.agents import load_tools
from Tool.Weather import Weather
from Tool.Calculator import Calculatorfrom langchain.agents import initialize_agent
from langchain.agents import AgentTypedef run_tool(tools, llm, prompt_chain: List[str]):loaded_tolls = []for tool in tools:if isinstance(tool, str):loaded_tolls.append(load_tools([tool], llm=llm)[0])else:loaded_tolls.append(tool)agent = initialize_agent(loaded_tolls, llm,agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,verbose=True,handle_parsing_errors=True)for prompt in prompt_chain:agent.run(prompt)if __name__ == "__main__":model_path = "THUDM/chatglm3-6b"llm = ChatGLM3()llm.load_model(model_name_or_path=model_path)# arxiv: 单个工具调用示例 1run_tool(["arxiv"], llm, ["帮我查询GLM-130B相关工作"])# weather: 单个工具调用示例 2# run_tool([Weather()], llm, [#     "今天北京天气怎么样？",#     "What's the weather like in Shanghai today",# ])# calculator: 单个工具调用示例 3run_tool([Calculator()], llm, ["12345679乘以54等于多少？","3.14的3.14次方等于多少？","根号2加上根号三等于多少？",]),# arxiv + weather + calculator: 多个工具结合调用# run_tool([Calculator(), "arxiv", Weather()], llm, [#     "帮我检索GLM-130B相关论文",#     "今天北京天气怎么样？",#     "根号3减去根号二再加上4等于多少？",# ])

这段代码是一个示例程序，演示了如何使用 langchain 库来调用不同的工具进行自然语言处理。

以下是代码的详细解析：

• from typing import List：从 typing 模块导入 List 类型，用于函数参数的类型注解。

• from ChatGLM3 import ChatGLM3：从 ChatGLM3 模块导入 ChatGLM3 类，用于创建语言模型。

• from langchain.agents import load_tools：从 langchain.agents 模块导入 load_tools 函数，用于加载工具。

• from Tool.Weather import Weather：从 Tool.Weather 模块导入 Weather 类，用于天气查询工具。

• from Tool.Calculator import Calculator：从 Tool.Calculator 模块导入 Calculator 类，用于计算器工具。

• from langchain.agents import initialize_agent：从 langchain.agents 模块导入 initialize_agent 函数，用于初始化代理。

• from langchain.agents import AgentType：从 langchain.agents 模块导入 AgentType 枚举，用于指定代理类型。

• def run_tool(tools, llm, prompt_chain: List[str]):：定义了一个函数 run_tool，它接受三个参数：tools（要加载的工具列表），llm（语言模型实例），prompt_chain（要运行的提示列表）。

  • loaded_tolls = []：创建一个空列表 loaded_tolls，用于存储加载后的工具。
  • for tool in tools:：对于 tools 列表中的每个工具：
    • if isinstance(tool, str):：如果工具是字符串类型，表示需要加载的是一个工具模块：
      • loaded_tolls.append(load_tools([tool], llm=llm)[0])：加载指定的工具模块，并将返回的工具实例添加到 loaded_tolls 列表中。
  • else:：如果工具不是字符串类型，表示已经是一个工具实例：
    • loaded_tolls.append(tool)：直接将工具实例添加到 loaded_tolls 列表中。

• agent = initialize_agent(loaded_tolls, llm, agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION, verbose=True, handle_parsing_errors=True)：使用加载后的工具和语言模型实例初始化代理。AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION 表示采用结构化对话的零次推理反应描述的代理类型。

  • for prompt in prompt_chain:：对于 prompt_chain 列表中的每个提示：
  • agent.run(prompt)：使用代理运行提示。

• if name == “main”:：如果当前模块被直接执行（而不是被导入为模块）：

  • model_path = “THUDM/chatglm3-6b”：设置语言模型的路径。
  • llm = ChatGLM3()：创建 ChatGLM3 类的实例，用于创建语言模型。

• llm.load_model(model_name_or_path=model_path)：加载指定路径的语言模型。

• run_tool([“arxiv”], llm, [“帮我查询GLM-130B相关工作”])：调用 run_tool 函数，使用 arxiv 工具和语言模型实例 llm，并传入一个提示列表 [“帮我查询GLM-130B相关工作”]，以执行相关工作的查询。

• run_tool([Calculator()], llm, [“12345679乘以54等于多少？”, “3.14的3.14次方等于多少？”, “根号2加上根号三等于多少？”])：调用 run_tool 函数，使用 Calculator 工具和语言模型实例 llm，并传入一个提示列表，以执行计算器工具的计算。

注释掉的代码块是其他工具的调用示例，包括天气查询工具和多个工具的结合调用。

这段代码演示了如何使用 langchain 库，加载不同的工具和语言模型，然后通过代理来运行自然语言提示，以执行不同的任务，例如查询相关工作、查询天气和进行计算等。

完结！