Python编写AI智能体入门教程：基本概念、环境搭建、ReAct规划..

Created

Aug 1, 2024 12:20 AM

Favorite

Priority

URL

https://mp.weixin.qq.com/s/iI9M6hMZwAKNNbeL62NJVA

备注

1 - 什么是AI智能体？

如果我们向像ChatGPT这样的AI提问："learnwithhasan.com的响应时间是多少？" 你可能会认为它不能回答这个问题。

但如果你回答可以，你也是对的！

两个答案都可能被认为是正确的。原因如下：

ChatGPT对这个问题的回答是：

我不能提供特定网站响应时间的实时信息。响应时间可能会因服务器负载、互联网连接速度和地理位置等因素而有所不同。

有趣的是，它没有能够回答这个问题！

但是，看看现在发生了什么：

为了理解这个概念，让我们看看LLM是如何能够回答我们的问题的。

答案：自治AI智能体

自治AI智能体将大型语言模型（LLM）与外部功能和增强的提示机制相结合。

为了理解这个概念，让我们看看LLM是如何能够回答我们的问题的。

1- 查询输入：首先，我们将我们的问题发送给LLM。

2- 使用ReAct系统提示进行处理：LLM由一个ReAct系统提示驱动，允许它思考问题以及应该如何回答。我们称之为一个思考。我们将在下一节中更详细地讨论这个问题。

3- 外部功能执行：然后LLM选择并执行一个外部功能，在这个例子中是"get_website_response_time(URL)"。

4- 响应生成：在获取实时数据后，AI根据结果制定并传递响应。

这种无缝集成思考、决策和行动的过程反映了人类的解决问题过程，展示了AI如何绕过传统的限制。

2 - 环境搭建

在本指南中，我们将使用Python从头开始构建AI智能体。让我们通过设置一个新的Python项目开始。你可以选择任何IDE，但在这个指南中，我将使用Visual Studio Code。

创建并激活虚拟环境

打开你的终端。

创建一个新的虚拟环境并激活它。

安装OpenAI包

在这个例子中，我们将使用OpenAI API作为我们的大型语言模型，尽管你也可以使用Anthropic、Gemini或开源模型。

确保你的API密钥已经准备好。在你的项目中创建一个.env文件并添加你的密钥：

在激活虚拟环境后，安装OpenAI Python包：

完成了吗？太好了。

设置你的项目文件

创建三个Python文件：actions.py、prompts.py和main.py。

你现在应该有类似这样的东西：

使用OpenAI API生成文本

打开main.py文件，创建一个简单的函数来使用OpenAI API生成文本。这个函数将为我们的AI智能体提供动力：

以下是代码：

这个脚本从.env文件中加载你的API密钥，并创建一个OpenAI实例来处理请求。

generate_text_with_conversation函数很简单，它接收两个参数—model和messages—来生成一个响应。

测试你的函数

在继续之前，让我们确保一切按预期工作。通过模拟对话来测试这个函数：

完成了吗？完美！

现在我们的基本设置已经完成，我们准备进入构建我们的智能体的核心部分。

3 - 定义功能

在本指南的这部分中，我们将指定我们的AI智能体可以访问的动作或功能。这使我们的智能体能够在响应用户查询时利用外部功能。

创建基本功能

打开actions.py文件。在这里，我们将定义一个简单的函数来模拟不同网站的响应时间：

这个虚拟函数根据提供的URL返回固定的响应时间。它作为一个基本示例帮助我们理解智能体如何利用外部功能。

理解设置

通过定义这些函数，我们建立了一个框架，AI智能体在需要时可以参考。

这种方法对于将现实世界的功能集成到我们的智能体中至关重要，我们将在后续部分更全面地探索。

接下来，我们将进入AI智能体的另一个重要组成部分：ReAct系统提示。

这将增强智能体以动态和上下文感知的方式思考和响应的能力。

4 - ReAct提示

ReAct提示使我们的AI智能体能够模仿人类行为。

这个系统提示引导模型通过思考、行动和响应的循环，允许它有效地处理用户查询。

简单来说，ReAct提示指示模型思考用户查询，理解它，决定如何回答，如果需要，选择一个动作，然后使用这个动作尽可能好地回答问题。

让我分享提示，然后我会解释。

定义ReAct提示

在prompts.py文件中，添加以下系统提示配置：

这个系统提示指示LLM在思考、行动和行动响应的循环中运行。

循环结构（思考、行动、暂停、行动响应）引导LLM：

思考：理解并解释查询。

行动：从可用动作中选择并执行适当的功能。

行动响应：使用行动的结果来制定响应。

可用动作

然后，我们告诉LLM有哪些动作可用，通过一个简单的例子，展示参数和简单的描述，以便模型理解功能。

确保将函数名称与你在Python中定义的名称匹配。

示例会话

然后，我们向LLM展示了一个示例，展示它将如何行动以回答一个样本查询。

这里最重要的部分是它将如何返回动作：

你可以看到，我指示LLM以JSON格式返回动作。

这将帮助我们稍后在最后部分将事情整合起来时，使用函数并按你将要做的方式运行它们。

为什么是循环？

这种循环机制模仿了LLM采取的步骤：理解问题，基于该理解采取行动，并使用行动的结果来响应。

这个过程可能从简单任务的几个循环到更复杂场景的数百个不等。

5 - 系统整合

已经建立了ReAct系统提示并定义了必要的功能，我们现在可以整合这些元素来构建我们的AI智能体。

让我们回到我们的main.py脚本来完成设置。

定义可用功能

首先，列出智能体可以利用的函数。在这个例子中，我们只有一个：

在我们的情况下，我们只有一个函数。

这将使智能体能够高效地选择正确的函数。

设置用户和系统提示

定义用户提示和将传递给generate_text_with_conversation的消息，这是我们之前创建的函数：

Agent39

实践教程2

Agent · 目录

上一篇多模态与多智能体系统合理性全面综述：一致性、可靠性、技术进展、评估方案、问题挑战下一篇AI进化论：AgentGym框架让AI智能体在多环境中自我成长

Scan to Follow