langchain.agents.chat.base.ChatAgent

class langchain.agents.chat.base.ChatAgent[source]

基本： Agent

自版本0.1.0已弃用： 请使用 create_react_agent 代替。

聊天代理。

通过解析和验证关键字参数中的输入数据来创建一个新的模型。

如果输入数据无法解析为有效的模型，则抛出 ValidationError。

参数 allowed_tools: Optional[List[str]]] = None

代理允许的工具。如果为 None，则允许所有工具。

参数 llm_chain: LLMChain [必需]

为代理使用的 LLMChain。

参数 output_parser: AgentOutputParser [可选]

代理的输出解析器。

异步 aplan(intermediate_steps: List[Tuple[AgentAction, str]], callbacks: Optional[Union[List[BaseCallbackHandler], BaseCallbackManager]], **kwargs: Any) → Union[AgentAction, AgentFinish]

对给定输入异步处理，决定要做什么。

参数

  • 中间步骤 (列表 }元组{ AgentAction, str }]}) – LLM 到目前为止采取的步骤以及观察到的内容。

  • 回调函数 (可选}联合{列表 }BaseCallbackHandler, BaseCallbackManager}}) – 要运行的回调函数。

  • **kwargs (任何) – 用户输入。

返回值

指定使用什么工具的操作。

返回类型

联合{AgentAction, AgentFinish}

classmethod create_prompt(tools: Sequence[BaseTool], system_message_prefix: str = 'Answer the following questions as best you can. You have access to the following tools:', system_message_suffix: str = 'Begin! Reminder to always use the exact characters `Final Answer` when responding.', human_message: str = '{input}\n\n{agent_scratchpad}', format_instructions: str = 'The way you use the tools is by specifying a json blob.\nSpecifically, this json should have a `action` key (with the name of the tool to use) and a `action_input` key (with the input to the tool going here).\n\nThe only values that should be in the "action" field are: {tool_names}\n\nThe $JSON_BLOB should only contain a SINGLE action, do NOT return a list of multiple actions. Here is an example of a valid $JSON_BLOB:\n\n```\n{{{{\n  "action": $TOOL_NAME,\n  "action_input": $INPUT\n}}}}\n```\n\nALWAYS use the following format:\n\nQuestion: the input question you must answer\nThought: you should always think about what to do\nAction:\n```\n$JSON_BLOB\n```\nObservation: the result of the action\n... (this Thought/Action/Observation can repeat N times)\nThought: I now know the final answer\nFinal Answer: the final answer to the original input question', input_variables: Optional[List[str]] = None) → BasePromptTemplate[source]

从一系列工具中创建提示。

参数

  • tools (序列}BaseTool}) – 工具列表。

  • system_message_prefix (str) – 系统消息前缀。默认为SYSTEM_MESSAGE_PREFIX。

  • system_message_suffix (str) – 系统消息后缀。默认为SYSTEM_MESSAGE_SUFFIX。

  • human_message (str) – 人类消息。默认为HUMAN_MESSAGE。

  • format_instructions (str) – 格式说明。默认为FORMAT_INSTRUCTIONS。

  • input_variables (可选}列表}str}}) – 输入变量。默认为None。

返回值

提示模板。

返回类型

BasePromptTemplate

classmethod from_llm_and_tools(llm: BaseLanguageModel, tools: Sequence[BaseTool], callback_manager: Optional[BaseCallbackManager] = None, output_parser: Optional[AgentOutputParser] = None, system_message_prefix: str = 'Answer the following questions as best you can. You have access to the following tools:', system_message_suffix: str = 'Begin! Reminder to always use the exact characters `Final Answer` when responding.', human_message: str = '{input}\n\n{agent_scratchpad}', format_instructions: str = 'The way you use the tools is by specifying a json blob.\nSpecifically, this json should have a `action` key (with the name of the tool to use) and a `action_input` key (with the input to the tool going here).\n\nThe only values that should be in the "action" field are: {tool_names}\n\nThe $JSON_BLOB should only contain a SINGLE action, do NOT return a list of multiple actions. Here is an example of a valid $JSON_BLOB:\n\n```\n{{{{\n  "action": $TOOL_NAME,\n  "action_input": $INPUT\n}}}}\n```\n\nALWAYS use the following format:\n\nQuestion: the input question you must answer\nThought: you should always think about what to do\nAction:\n```\n$JSON_BLOB\n```\nObservation: the result of the action\n... (this Thought/Action/Observation can repeat N times)\nThought: I now know the final answer\nFinal Answer: the final answer to the original input question', input_variables: Optional[List[str]] = None, **kwargs: Any) → Agent[source]

从LLM和工具中构建代理。

参数

  • llm (BaseLanguageModel) – 语言模型。

  • tools (序列}BaseTool}) – 工具列表。

  • callback_manager (可选}BaseCallbackManager}) – 回调管理器。默认为None。

  • output_parser (可选}AgentOutputParser}) – 输出解析器。默认为None。

  • system_message_prefix (str) – 系统消息前缀。默认为SYSTEM_MESSAGE_PREFIX。

  • system_message_suffix (str) – 系统消息后缀。默认为SYSTEM_MESSAGE_SUFFIX。

  • human_message (str) – 人类消息。默认为HUMAN_MESSAGE。

  • format_instructions (str) – 格式说明。默认为FORMAT_INSTRUCTIONS。

  • input_variables (可选}列表}str}}) – 输入变量。默认为None。

  • kwargs (任何) – 额外关键字参数。

返回值

代理。

返回类型

Agent

get_allowed_tools() → Optional[List[str]]

获取允许的工具。

返回类型

可选}列表}str}

get_full_inputs(intermediate_steps: List[Tuple[AgentAction, str]], **kwargs: Any) → Dict[str, Any]

从中间步骤创建LLMChain的完整输入。

参数

  • 中间步骤 (列表 }元组{ AgentAction, str }]}) – LLM 到目前为止采取的步骤以及观察到的内容。

  • **kwargs (任何) – 用户输入。

返回值

LLMChain的完整输入。

返回类型

Dict[str, Any]

plan(intermediate_steps: List[Tuple[AgentAction, str]], callbacks: Optional[Union[List[BaseCallbackHandler], BaseCallbackManager]] = None, **kwargs: Any) → Union[AgentAction, AgentFinish]

给定输入，决定要做什么。

参数

  • 中间步骤 (列表 }元组{ AgentAction, str }]}) – LLM 到目前为止采取的步骤以及观察到的内容。

  • 回调函数 (可选}联合{列表 }BaseCallbackHandler, BaseCallbackManager}}) – 要运行的回调函数。

  • **kwargs (任何) – 用户输入。

返回值

指定使用什么工具的操作。

返回类型

联合{AgentAction, AgentFinish}

return_stopped_response(early_stopping_method: str, intermediate_steps: List[Tuple[AgentAction, str]], **kwargs: Any) → AgentFinish

当代理因最大迭代次数而停止时返回响应。

参数

  • early_stopping_method (str) – 用于提前停止的方法。

  • 中间步骤 (列表 }元组{ AgentAction, str }]}) – LLM 到目前为止采取的步骤以及观察到的内容。

  • **kwargs (任何) – 用户输入。

返回值

代理完成对象。

返回类型

AgentFinish

抛出

ValueError – 如果 early_stopping_method 不在 [‘force’，‘generate’] 中。

save(file_path: Union[Path, str]) → None

保存代理。

参数

file_path (Union[Path, str]) – 保存代理的文件路径。

返回类型

None

示例：.. code-block:: python

如果使用代理执行器：agent.agent.save(file_path="path/agent.yaml")

tool_run_logging_kwargs( ) → Dict

返回工具运行的自定义日志参数。

返回类型

字典

属性 llm_prefix:str

拼接在llm调用前的前缀。

属性 observation_prefix:str

拼接在观察数据前的前缀。

属性 return_values:List[str]

代理的返回值。