Lagent 开源的 LLM 智能体框架 (持续更新)

原创

用户10497140

修改于 2024-10-03 19:32:23

1270

修改于 2024-10-03 19:32:23

Lagent 是什么

Lagent 是一个开源的 LLM 智能体框架，允许使用者快速将一个大语言模型转换成智能体，并提供一些典型工具来激发大语言模型的潜能。Lagent 目前已经支持了包括 AutoGPT、ReAct 等在内的多个经典智能体范式，也支持了如下工具：

Arxiv 搜索

Bing 地图

Google 学术搜索

Google 搜索

交互式 IPython 解释器

IPython 解释器

PPT

Python 解释器

Lagent 框架图如下：

Lagent 包含三个主要模块：agents，llms 和 actions。

agents 实现了多种智能体，如 ReAct，AutoGPT。
llms 支持多种大语言模型，包括在 HuggingFace 上托管的开源模型（Llama-2, InternLM）及 GPT3.5/4 等闭源模型。
actions 包含一系列工具，并提供工具执行器来统一管理。 如何使用

安装方式

pip 安装

pip install lagent

源码安装

如需修改部分功能，可以从源码构建 Lagent

git clone https://github.com/InternLM/lagent.git

cd lagent

pip install -e .

InterLM 驱动的 ReAct 智能体

注意，如果你想使用 HuggingFace 模型，请先运行 pip install -e .[all]

# 从 Lagent 导入必要的模块和类
from lagent.agents import ReAct
from lagent.actions import ActionExecutor, GoogleSearch, PythonInterpreter
from lagent.llms import HFTransformer

from lagent.llms.meta_template import INTERNLM2_META as META

# 初始化 HFTransformer 模型
llm = HFTransformer(path='internlm/internlm2-chat-7b', meta_template=META)

# 初始化 Goolge 搜索工具，你可能需要提供 API 密钥
search_tool = GoogleSearch(api_key='Your SERPER_API_KEY')

# 初始化 Python 代码解释其
python_interpreter = PythonInterpreter()

# 配置 ReAct 智能体，创建聊天机器人
chatbot = ReAct(
    llm=llm,  # 大语言模型实例
    action_executor=ActionExecutor(
        actions=[search_tool, python_interpreter]),  # 指定智能体可以调用的工具
)
# 询问LaTeX格式的数学问题
response = chatbot.chat('若$z=-1+\sqrt{3}i$,则$\frac{z}{{z\overline{z}-1}}=\left(\ \ \right)$')

# 打印回复
print(response.response)

>>> $-\\frac{1}{3}+\\frac{{\\sqrt{3}}}{3}i$

启动 ReAct 网页 App

# 你需要先安装 streamlit
# pip install streamlit
streamlit run examples/react_web_demo.py

可以通过UI界面进行对话

工具

提供了一套LLM驱动的智能体用来与真实世界交互并执行复杂任务的函数。

两种类型的工具：

简单工具: 只提供一个API接口供调用。
工具包: 实现多个API接口，承担不同的子任务。 工具描述 在Lagent中，工具描述是一个刻画工具调用方式的字典，能够被LLM观察并用于决策。

对于简单工具，描述可按如下格式声明:

TOOL_DESCRIPTION = {
    'name': 'bold',  # 工具名称
    'description': 'a function used to make text bold',  # 介绍工具的功能
    'parameters': [  # 这个工具所需要的参数列表
        {
            'name': 'text', 'type': 'STRING', 'description': 'input content'
        }
    ],
    'required': ['text'],  # 指定必需的参数名
}

在某些情况下，可能还包含 return_data，parameter_description 字段，分别描述返回内容及参数传递格式。

注意

parameter_description 通常被动作的解析器自动插入到工具描述中，这部分将在接口设计中进行介绍。

对于工具包，描述非常相似，但嵌套了子方法

TOOL_DESCRIPTION = {
    'name': 'PhraseEmphasis',  # 工具包的名字
    'description': 'a toolkit which provides different styles of text emphasis',  # 介绍工具包的功能
    'api_list': [
        {
            'name': 'bold',
            'description': 'make text bold',
            'parameters': [
                {
                    'name': 'text', 'type': 'STRING', 'description': 'input content'
                }
            ],
            'required': ['text']
        },
        {
            'name': 'italic',
            'description': 'make text italic',
            'parameters': [
                {
                    'name': 'text', 'type': 'STRING', 'description': 'input content'
                }
            ],
            'required': ['text']
        }
    ]
}

将函数转换为工具

对于已定义好的函数，无需人工添加额外的描述。在 Lagent 中，我们提供了一个修饰器 tool_api，它可以通过自动解析函数的类型提示和文档字符串来生成描述字典，并将其绑定到属性 api_description。

from lagent import tool_api

@tool_api
def bold(text: str) -> str:
    """make text bold

    Args:
        text (str): input text

    Returns:
        str: bold text
    """
    return '**' + text + '**'


bold.api_description

{'name': 'bold',
 'description': 'make text bold',
 'parameters': [{'name': 'text',
   'type': 'STRING',
   'description': 'input text'}],
 'required': ['text']}

一旦启用 returns_named_value，您应当声明返回值的名称，这将被处理成一个新的字段 return_data：

@tool_api(returns_named_value=True)
def bold(text: str) -> str:
    """make text bold

    Args:
        text (str): input text

    Returns:
        bold_text (str): bold text
    """
    return '**' + text + '**'

bold.api_description

{'name': 'bold',
 'description': 'make text bold',
 'parameters': [{'name': 'text',
   'type': 'STRING',
   'description': 'input text'}],
 'required': ['text'],
 'return_data': [{'name': 'bold_text',
   'description': 'bold text',
   'type': 'STRING'}]}

有时工具可能返回一个 dict 或 tuple，如果你想在 return_data 中详细说明每个成员的含义而不是把它们当作一个整体，设置 explode_return=True 并在文档字符串的 Returns 部分中罗列它们。

@tool_api(explode_return=True)
def list_args(a: str, b: int, c: float = 0.0) -> dict:
    """Return arguments in dict format

    Args:
        a (str): a
        b (int): b
        c (float): c

    Returns:
        dict: input arguments
            - a (str): a
            - b (int): b
            - c: c
    """
    return {'a': a, 'b': b, 'c': c}

{'name': 'list_args',
 'description': 'Return arguments in dict format',
 'parameters': [{'name': 'a', 'type': 'STRING', 'description': 'a'},
  {'name': 'b', 'type': 'NUMBER', 'description': 'b'},
  {'name': 'c', 'type': 'FLOAT', 'description': 'c'}],
 'required': ['a', 'b'],
 'return_data': [{'name': 'a', 'description': 'a', 'type': 'STRING'},
  {'name': 'b', 'description': 'b', 'type': 'NUMBER'},
  {'name': 'c', 'description': 'c'}]}

警告

目前仅支持 Google 格式的 Python 文档字符串。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

腾讯技术创作特训营S9

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

腾讯技术创作特训营S9

登录后参与评论

0 条评论

热度