AutoGPT
实现https://github.com/Significant-Gravitas/Auto-GPT，但是使用了LangChain的基础组件（大型语言模型(LLMs)、提示模板(PromptTemplates)、向量存储(VectorStores)、嵌入(Embeddings)、工具(Tools)）。
设置工具
我们将设置一个带有搜索工具、写文件工具和读文件工具的AutoGPT。
from langchain.agents import Tool
from langchain_community.tools.file_management.read import ReadFileTool
from langchain_community.tools.file_management.write import WriteFileTool
from langchain_community.utilities import SerpAPIWrappersearch = SerpAPIWrapper()
tools = [Tool(name="search",func=search.run,description="当你需要回答有关当前事件的问题时非常有用。你应该提出针对性的问题",),WriteFileTool(),ReadFileTool(),
]
设置内存
这里的内存用于代理的中间步骤。
from langchain.docstore import InMemoryDocstore
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings# 定义你的嵌入模型
embeddings_model = OpenAIEmbeddings()# 初始化向量存储为空
import faissembedding_size = 1536
index = faiss.IndexFlatL2(embedding_size)
vectorstore = FAISS(embeddings_model.embed_query, index, InMemoryDocstore({}), {})
设置模型和AutoGPT
初始化一切！我们将使用ChatOpenAI模型。
from langchain_experimental.autonomous_agents import AutoGPT
from langchain_openai import ChatOpenAIagent = AutoGPT.from_llm_and_tools(ai_name="Tom",ai_role="Assistant",tools=tools,llm=ChatOpenAI(temperature=0),memory=vectorstore.as_retriever(),
)# 设置详细模式为真
agent.chain.verbose = True
运行示例
这里我们将让它为旧金山今天的天气写一份报告。
agent.run(["write a weather report for SF today"])
聊天历史内存
除了保存代理即时步骤的内存外，我们还有一个聊天历史内存。默认情况下，代理将使用’ChatMessageHistory’，并且可以更改。当你想使用不同类型的内存时，例如’FileChatHistoryMemory’，这非常有用。
from langchain_community.chat_message_histories import FileChatMessageHistoryagent = AutoGPT.from_llm_and_tools(ai_name="Tom",ai_role="Assistant",tools=tools,llm=ChatOpenAI(temperature=0),memory=vectorstore.as_retriever(),chat_history_memory=FileChatMessageHistory("chat_history.txt"),
)
