当前位置:首页 > 文章列表 > 文章 > python教程 > 在LangChain中,禁用initialize_agent后,你可以用AgentExecutor来创建和运行代理。以下是步骤和示例代码:导入模块:导入AgentExecutor、代理和工具。创建工具:定义代理所需的工具。创建代理:选择代理类型,如ZeroShotReactDescriptionAgent。初始化AgentExecutor:使用代理和工具初始化。运行代理:通过run方法执行。示例代
在LangChain中,禁用initialize_agent后,你可以用AgentExecutor来创建和运行代理。以下是步骤和示例代码:导入模块:导入AgentExecutor、代理和工具。创建工具:定义代理所需的工具。创建代理:选择代理类型,如ZeroShotReactDescriptionAgent。初始化AgentExecutor:使用代理和工具初始化。运行代理:通过run方法执行。示例代
哈喽!大家好,很高兴又见面了,我是golang学习网的一名作者,今天由我给大家带来一篇《在LangChain中,如果initialize_agent被禁用,你可以直接使用AgentExecutor来替代它。以下是一个简单的步骤和示例代码,展示如何使用AgentExecutor来创建和运行一个代理:导入必要的模块: 你需要导入AgentExecutor以及你所选择的代理和工具。创建工具: 定义你要使用的工具。这些工具是代理执行任务时所依赖的。创建代理: 使用你选择的代理类型(如ZeroShotReactDescriptionAgent)来创建代理。初始化AgentExecutor: 使用代理和工具来初始化AgentExecutor。运行代理: 通过AgentExecutor的run方法来执行代理。以下是一个示例代码,展示了如何使用AgentExecutor:from langchain.agents import ZeroShotReactDescriptionAgent, AgentExecutor from langchain import OpenAI, LLMChain from langchain.utilities import GoogleSearchAPIWrapper from langchain.agents import Tool # 初始化语言模型 llm = OpenAI(temperature=0) # 创建工具 search = GoogleSearchAPIWrapper() tools = [ Tool( name="Google Search", func=search.run, description="useful for when you need to answer questions about current events" ) ] # 创建代理 prompt = ZeroShotReactDescriptionAgent.create_prompt(tools) llm_chain = LLMChain(llm=llm, prompt=prompt) agent = ZeroShotReactDescriptionAgent(llm_chain=llm_chain, tools=tools) # 初始化AgentExecutor agent_executor = AgentExecutor.from_agent_and_tools(agent=agent, tools=tools, verbose=True) # 运行代理 result = agent_executor.run("What's the latest news about AI?") print(result)在这个例子中,我们创建了一个ZeroShotReactDescriptionAgent,然后使用AgentExecutor.from_agent_and_tools方法来初始化AgentExecutor。最后,我们通过调用run方法来执行代理并获取结果。这样,你就可以在initialize_agent被禁用的情况下,使用AgentExecutor来替代它,实现同样的功能。》,本文主要会讲到等等知识点,希望大家一起学习进步,也欢迎大家关注、点赞、收藏、转发! 下面就一起来看看吧!

Langchain 中 initialize_agent 的替代方案:AgentExecutor
由于 Langchain 中的 initialize_agent 函数已被弃用,推荐使用更灵活强大的 AgentExecutor 类来替代。AgentExecutor 提供更精细的代理任务管理和执行能力。
以下步骤演示如何使用 AgentExecutor:
-
定义工具 (Tools): 首先,创建代理将使用的工具列表。每个工具使用
Tool类定义,例如使用 Google 搜索 API:from langchain.agents import Tool from langchain.utilities import GoogleSearchAPIWrapper search = GoogleSearchAPIWrapper() tools = [ Tool( name="Google Search", func=search.run, description="Useful for answering questions about current events." ) ] -
选择语言模型 (LLM): 选择合适的语言模型,例如
ChatOpenAI:from langchain.chat_models import ChatOpenAI llm = ChatOpenAI(temperature=0)
-
创建代理 (Agent): 使用
ZeroShotAgent或其他合适的代理类型,并配置提示词 (prompt):from langchain.agents import ZeroShotAgent, AgentExecutor prompt = ZeroShotAgent.create_prompt( tools, prefix="Answer the following questions as best you can. You have access to the following tools:", suffix="Begin!" ) agent = ZeroShotAgent(llm=llm, allowed_tools=tools, prompt=prompt) -
初始化
AgentExecutor: 使用AgentExecutor.from_agent_and_tools将代理和工具整合:agent_executor = AgentExecutor.from_agent_and_tools(agent=agent, tools=tools, verbose=True)
-
执行代理任务: 调用
agent_executor.run()执行任务:response = agent_executor.run("What's the weather like today in Beijing?") print(response)
通过以上步骤,您可以有效地替代 initialize_agent,并利用 AgentExecutor 的优势来构建和运行更强大的 Langchain 代理。 AgentExecutor 提供了更精细的控制和更清晰的执行流程,从而提升了开发效率和代码可读性。
理论要掌握,实操不能落!以上关于《在LangChain中,禁用initialize_agent后,你可以用AgentExecutor来创建和运行代理。以下是步骤和示例代码:导入模块:导入AgentExecutor、代理和工具。创建工具:定义代理所需的工具。创建代理:选择代理类型,如ZeroShotReactDescriptionAgent。初始化AgentExecutor:使用代理和工具初始化。运行代理:通过run方法执行。示例代码:fromlangchain.agentsimportZeroShotReactDescriptionAgent,AgentExecutorfromlangchainimportOpenAI,LLMChainfromlangchain.utilitiesimportGoogleSearchAPIWrapperfromlangchain.agentsimportTool#初始化语言模型llm=OpenAI(temperature=0)#创建工具search=GoogleSearchAPIWrapper()tools=[Tool(name="GoogleSearch",func=search.run,description="usefulforwhenyouneedtoanswerquestionsaboutcurrentevents")]#创建代理prompt=ZeroShotReactDescriptionAgent.create_prompt(tools)llm_chain=LLMChain(llm=llm,prompt=prompt)agent=ZeroShotReactDescriptionAgent(llm_chain=llm_chain,tools=tools)#初始化AgentExecutoragent_executor=AgentExecutor.from_agent_and_tools(agent=agent,tools=tools,verbose=True)#运行代理result=agent_executor.run("What'sthelatestnewsaboutAI?")print(result)这样,你就能在initialize_agent禁用时,用AgentExecutor实现相同功能。》的详细介绍,大家都掌握了吧!如果想要继续提升自己的能力,那么就来关注golang学习网公众号吧!
学习Python的基础知识有哪些?
- 上一篇
- 学习Python的基础知识有哪些?
- 下一篇
- 提升Golang日志在Linux上的性能技巧
-
- 文章 · python教程 | 19小时前 | 日志 · logging · Python教程 · Python contextvars request_id LogRecord logging.Filter
- Python logging.Filter 注入请求上下文的做法
- 410浏览 收藏
-
- 文章 · python教程 | 3天前 | Python教程 · Python 鸭子类型 typing.Protocol 结构子类型
- Python typing.Protocol 约束鸭子类型接口
- 246浏览 收藏
-
- 文章 · python教程 | 3天前 | Python教程 · Python 相对路径 is_file pathlib Path.resolve
- Python pathlib 相对路径规范化与文件判断
- 144浏览 收藏
-
- 文章 · python教程 | 3天前 | python · 异步编程 · asyncio · Python CancelledError asyncio.timeout TimeoutError
- Python asyncio.timeout 嵌套取消与异常传播
- 373浏览 收藏
-
- 文章 · python教程 | 4天前 |
- Python heapq 最大堆 API 怎么避免手动取负数
- 397浏览 收藏
-
- 文章 · python教程 | 4天前 | python · Python 不可变对象 namedtuple dataclass copy.replace
- Python copy.replace 怎么更新不可变对象字段
- 245浏览 收藏
-
- 文章 · python教程 | 4天前 | python ·
- Python NamedTemporaryFile 的 delete_on_close 怎么设置
- 311浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 298次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 354次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 354次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 319次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 139次使用
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览
-
- TensorFlow模型部署为API的TF Serving方法
- 2026-05-26 501浏览
-
- Python字符串编码转换:encode与decode详解
- 2026-05-16 501浏览
-
- TensorFlow裁剪无用算子方法详解
- 2026-05-15 501浏览

