这将所有可用的代理按照几个维度进行分类。
预期模型类型用于聊天模型（接收信息，输出信息）或 LLM（接收字符串，输出字符串）。这主要影响所使用的提示策略。
支持聊天历史记录这些代理类型是否支持聊天历史记录。如果支持，就意味着可以作为聊天机器人使用。如果不支持，则意味着它更适合单一任务。支持聊天记录通常需要更好的模型，因此早期针对较差模型的代理类型可能不支持聊天记录。
支持多输入工具这些代理类型是否支持多输入工具。如果一个工具只需要单一输入，那么 LLM 通常更容易知道如何调用它。因此，早期几种针对较差模型的代理类型可能不支持它们。
支持并行函数调用让 LLM 同时调用多个工具可以大大加快代理的速度，无论是否有任务需要通过这样做来协助。不过，LLM 要做到这一点要困难得多，因此有些代理类型不支持这一点。
所需模型参数该代理是否要求模型支持任何附加参数。有些代理类型会利用 OpenAI 函数调用等功能，这就需要其他模型参数。如果不需要，则表示一切都通过提示完成。
何时应考虑使用该代理类型：
Agent Type
Intended Model Type
Supports Chat History
Supports Multi-Input Tools
Supports Parallel Function Calling
Required Model Params
When to Use
OpenAI Tools
Chat
✅
✅
✅
tools
若使用的最新OpenAI model (1106+)
OpenAI Functions
Chat
✅
✅
functions
如果您使用的是 OpenAI 模型，或者是针对函数调用进行了微调并公开了与 OpenAI 相同函数参数的开源模型
XML
LLM
✅
Anthropic模型或其他擅长 XML 的模型
Structured Chat
Chat
✅
✅
如果您需要支持具有多个输入的工具，并且正在使用不支持函数调用的模型
ReAct
LLM
✅
简化模型
来看看内置的主要agent类型：
1 OPENAI_FUNCTIONSOpenai函数调用型，某些模型（如 OpenAI 的 gpt-3.5-turbo 和 gpt-4）已经过微调，可以检测函数何时应该被调用，并响应应该传递给函数的输入。在 API 调用中，你可描述函数，并让模型智能地选择输出一个包含参数的 JSON 对象来调用这些函数。
OPENAI_FUNCTIONS代理旨在与这些模型配合使用。
2 ZERO_SHOT_REACT_DESCRIPTION零样本增强生成型
from langchain.agents import ( load_tools, initialize_agent, AgentType, ) import os os.environ["SERPAPI_API_KEY"] = "xxx" # 定义llm QwenTurboTongyi(Tongyi): model_name = "qwen-turbo" llm = QwenTurboTongyi(temperature=1) tools = load_tools(["serpapi","llm-math"],llm=llm) agent = initialize_agent( tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True, ) print(agent) print(agent.agent.llm_chain.prompt.template) agent.invoke("现在美国总统是谁？他的年龄除以2是多少？")
3 CHAT_ZERO_SHOT_REACT_DESCRIPTION零样本增强生成型（对话），使用了chatmodel
tools = load_tools(["serpapi","llm-math"],llm=llm) agent = initialize_agent( tools, llm, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, verbose=True, ) print(agent) print(agent.agent.llm_chain.prompt.messages[0].prompt.template) agent.invoke("现在美国总统是谁？他的年龄除以2是多少？")
4 CONVERSATIONAL_REACT_DESCRIPTION对话增强生成型
from langchain.memory import ConversationBufferMemory #记忆组件 memory = ConversationBufferMemory( memory_key="chat_history", ) tools = load_tools(["serpapi","llm-math"],llm=llm) agent = initialize_agent( tools, llm, agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION, memory=memory,#记忆组件 verbose=True, ) print(agent) print(agent.agent.llm_chain.prompt.template)
agent.run("hi i am JavaEdge")
agent.run("what is my name?")
agent.run("有什么好吃的中国菜可以推荐给我吗?")
agent.run(input="我都没吃过！我名字的最后一个字母是什么？1998年的世界杯谁夺冠了？")
5 STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION结构化对话生成增强型
from langchain.memory import ConversationBufferMemory #记忆组件 memory = ConversationBufferMemory( memory_key="chat_history", return_messages=True, ) tools = load_tools(["serpapi","llm-math"],llm=llm) agent = initialize_agent( tools, llm, agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION, memory=memory,#记忆组件 handle_parsing_errors=True, verbose=True, ) print(agent) print(agent.agent.llm_chain.prompt.messages[0].prompt.template) print(agent.agent.llm_chain.prompt.messages[1].prompt.template)
