LangChain基础篇 (06)

LangChain 核心模块 Agent(构建复杂应用的代理系统)

ReAct: Reasoning + Acting

ReAct Prompt 由 few-shot task-solving trajectories 组成,包括人工编写的文本推理过程和动作,以及对

动作的环境观察.

ReAct Prompt 设计直观灵活,并在各种任务上实现了最先进的少样本性能,从QA到在线购物


ReAct 在获取新数据方面的优势(HotpotQA 示例)

Reason-only baseline (即思维链)由于没有与外部环境接触以获取和更新知识,而且必须依赖有限的内部知识,因此容易受

到错误信息(红色标记)的影响。

Act-only baseline 缺乏推理能力方面问题,在这种情况下,尽管具有与ReAct相同的行动和观察,但无法综合得出最终答案。

相比之下,ReAct通过可解释且真实可信的轨迹来解决任务。

ReAct 在微调方面的优势

使用 ReAct 提示轨迹在 HotpotQA 上进行初始微调的结果表明:
(1)ReAct 是各种模型规模中最好的微调方式;
(2)ReAct 微调的较小模型胜过了被提示(prompted)的更大模型。

LangChain Agents

代理的核心思想是使用LLM来选择一系列要执行的动作。

  • 在链式结构(Chains)中,一系列动作执行是硬编码的( SequentialChain 和 RouterChain 也仅实现了面向过程)。
  • 在代理(Agents)中,语言模型被用作推理引擎,以确定应该采取哪些动作以及执行顺序。
相关推荐
伊布拉西莫10 小时前
LangChain 全面入门
langchain
AI大模型18 小时前
LangGraph官方文档笔记(七)——Agent的输入输出
langchain·llm·agent
AI大模型1 天前
LangGraph官方文档笔记(6)——时间旅行
程序员·langchain·llm
是小王同学啊~2 天前
(LangChain)RAG系统链路向量检索器之Retrievers(五)
python·算法·langchain
AIGC包拥它2 天前
提示技术系列——链式提示
人工智能·python·langchain·prompt
AI大模型2 天前
LangGraph官方文档笔记(4)——提示聊天机器人
程序员·langchain·llm
OpenAppAI3 天前
Few-shot Prompting(少样本提示)概念指南
langchain·few-shot·prompts
余衫马12 天前
LangChain 文本分割器深度解析:从原理到落地应用(上)
langchain·文本分割器
大千AI助手14 天前
LangChain执行引擎揭秘:RunnableConfig配置全解析
人工智能·langchain·config
精灵vector14 天前
Agent的记忆详细实现机制
python·langchain·llm