title: 用 LangChain 构建基于资料库的问答机器人（四）：通过代理使用外部工具

上一篇教程我们介绍了 ReAct 系统，这是一个非常强大的行为模式，但它需要编写大量的示例来告诉 LLM 如何思考、行动，并且为了遵循这个模式，还需要编写代码来分析生成文字、调用函数、拼接 prompt 等，这些工作都是十分繁琐且冗长的。而 LangChain 帮我们把这些步骤都隐藏起来了，将这一系列动作都封装成 “代理”，我们只需要提供有那些工具可以使用，以及这些工具的功能，就可以让 LLM 自动完成这些工作了。这样我们的代码就会变得简洁、易读，并且拥有更高的灵活性。

代理（Agent）

所谓代理，就是将一系列的行为和可以使用的工具封装起来，让我们可以通过一个简单的接口来调用这些动作，而不需要关心这些动作是如何完成的。这样可以让我们的代码更简洁、易读，并且拥有更高的灵活性。接下来我们就结合 ReAct 和向量数据库来介绍代理的使用。

准备工作

和之前一样，我们先设置环境变量。

# set the environment variables needed for openai package to know to reach out to azure
import osos.environ["OPENAI_API_TYPE"] = "azure"
os.environ["OPENAI_API_BASE"] = "https://<your-endpoint.openai.azure.com/"
os.environ["OPENAI_API_KEY"] = "your AzureOpenAI key"
os.environ["OPENAI_API_VERSION"] = "2023-03-15-preview"

接下来我们先把 llm 类创建好。

from langchain.chat_models import AzureChatOpenAI
from langchain.embeddings import OpenAIEmbeddin Whether to return only outputs in theresponse. If True, only new keys generated by this chain will bereturned. If False, both input keys and new keys generated by thischain will be returned. Defaults to False.gsllm = AzureChatOpenAI(deployment_name="gpt-35-turbo", temperature=0)
embeddings = OpenAIEmbeddings(deployment="text-embedding-ada-002", chunk_size=1)

因为我们的向量数据库已经在之前的教程中创建好了，所以我们用 from_existing_index 直接连接到数据库。这里 index_name 是我们之前创建数据库时指定的名字。另外不同的数据库所使用的链接方法可能不同，具体还是要参考各个数据库的文档。

from langchain.vectorstores.redis import Redisrds = Redis.from_existing_index(embeddings, redis_url="redis://localhost:6379", index_name="link"
)
retriever = rds.as_retriever()

创建工具

虽然代理可以让 llm 使用外部工具，但我们首先要创建工具，并为工具编写描述。我们的目的是为了要能够让 llm 根据问题从数据库中检索出答案，因此我们创建的工具一定是与此相关的。我们可以将检索器的搜索功能包装成一个函数，然后以此作为工具，但我们完全可以用之前教程中所介绍的 RetrievalQA Chain ，它的输出本就是字符串，而且已经先将相关的资料进行了整理，这显然比检索器更高效。

from langchain.chains import RetrievalQAqa = RetrievalQA.from_chain_type(llm=llm, chain_type="stuff", retriever=retriever)

然后用 Tool 将上面创建的 Chain 包装起来。其中 func 参数是告诉代理系统要调用哪个函数，description 是对这个工具的描述。我们将包装好的工具放在一个列表中，这样就是告诉系统他可以使用的工具有哪些了。

from langchain.agents import Tooltools = [Tool(name="Contract QA System",func=qa.run,description="useful for when you need to answer questions about contracts.")
]

创建代理

我们用 initialize_agent 函数来创建代理。这里 agent 参数是告诉系统我们要创建的代理类型，这里我们创建的是 CHAT_ZERO_SHOT_REACT_DESCRIPTION，名字中的 CHAT 表示这是一个聊天代理，因为我们用的是聊天模型；ZERO_SHOT 表示它的 prompt 没有编写示例，而是仅通过描述来引导 llm 的行为。

agent_chain = initialize_agent(tools, llm, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, verbose=True
)

然后用 run 方法来运行代理。

agent_chain.run("在什么情况下可以单方面解除合同？")

> Entering new  chain...
Thought: This question is asking about the circumstances under which a contract can be unilaterally terminated.Action:
\```
{"action": "Contract QA System","action_input": "在什么情况下可以单方面解除合同？"
}
\```Observation: 根据文本，可以单方面解除合同的情况包括：- 在承担国家重大科研项目期间；
- 掌握重大科技成果关键技术和资料，未脱离保密期；
- 被审查期间或因经济问题未作结案处理之前；
- 合同订立时所依据的客观情况发生重大变化，致使合同无法履行，经甲乙双方协商不能就变更合同达成协议的；
- 甲方提出解除本合同，乙方同意解除的；
- 乙方患病或者非因工负伤，医疗期满后，不能从事原工作也不能从事由甲方安排的其他工作，甲方单方面解除本合同的；
- 乙方年度考核或者聘期考核不合格，又不同意甲方调整其工作岗位的；
- 在试用期内被证明不符合本岗位要求；
- 连续旷工超过 10 个工作日或者 1 年内累计旷工超过 20 个工作日的；
...Final Answer: 根据文本，可以单方面解除合同的情况有很多种，包括在承担国家重大科研项目期间、合同订立时所依据的客观情况发生重大变化、甲方提出解除本合同且乙方同意解除等。此外，乙方在试用期内、考入普通高等院校、被录用或者选调为公务员、依法服兵役的情况下也可以随时单方面解除合同。如果乙方提出解除合同未能与甲方协商一致，乙方应当坚持正常工作，继续履行合同；6个月后再次提出解除合同仍未能与甲方协商一致的，即可单方面解除合同。> Finished chain.'根据文本，可以单方面解除合同的情况有很多种，包括在承担国家重大科研项目期间、合同订立时所依据的客观情况发生重大变化、甲方提出解除本合同且乙方同意解除等。此外，乙方在试用期内、考入普通高等院校、被录用或者选调为公务员、依法服兵役的情况下也可以随时单方面解除合同。如果乙方提出解除合同未能与甲方协商一致，乙方应当坚持正常工作，继续履行合同；6个月后再次提出解除合同仍未能与甲方协商一致的，即可单方面解除合同。'

这样我们很容易的完成 ReAct 的流程，并且它确实可以从资料源中检索出答案。用 LangChain 我们就可以用简洁的代码完成如此复杂的任务，并且也不需要编写 prompt，这样我们就可以更专注于业务的逻辑了。