在构建智能 AI 助手时，我们希望模型能够智能地调用工具，以便提供准确的信息。LangChain 提供了 AgentType.ZERO_SHOT_REACT_DESCRIPTION，它结合了 ReAct（Reasoning + Acting）策略，使得 LLM 可以基于工具的描述智能选择合适的工具进行推理和执行。本文将介绍该类型 Agent 的核心原理，并通过示例展示其应用。

1. ZERO_SHOT_REACT_DESCRIPTION 简介

AgentType.ZERO_SHOT_REACT_DESCRIPTION 采用了 ReAct 框架，主要特点包括：

• 零样本学习（Zero-Shot）：无需提供示例，LLM 通过工具的描述来决定如何使用它们。
• 自适应推理（ReAct）：LLM 通过思考和行动循环决定调用哪个工具。
• 工具可扩展：可以动态地向 Agent 添加新的工具。

这种方式特别适用于开放域问答场景，例如查询天气、获取时间、计算数值等。

2. 代码示例

下面是一个完整的 ZERO_SHOT_REACT_DESCRIPTION 示例，我们定义了两个工具：

• get_weather(location: str): 获取指定城市的天气信息。
• get_time(location: str): 获取指定城市的当前时间。

然后，我们使用 LangChain 的 initialize_agent 方法初始化一个智能 Agent，并使用 Ollama LLM 作为后端大模型。

代码实现

from langchain.agents import initialize_agent, AgentType
from langchain.tools import Tool
from langchain_ollama import OllamaLLM# 定义工具
def get_weather(location: str):return f"{location} 的天气是晴天，温度 25°C"def get_time(location: str):return f"{location} 的当前时间是 12:00 PM"weather_tool = Tool(name="get_weather",func=get_weather,description="获取城市天气信息，输入城市名称"
)time_tool = Tool(name="get_time",func=get_time,description="获取城市当前时间，输入城市名称"
)# 初始化 Agent
llm = OllamaLLM(model="llama3:8b", temperature=0)agent = initialize_agent(tools=[weather_tool, time_tool],llm=llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)# 让 LLM 选择合适的工具
response = agent.run("告诉我上海当前时间")
print(response)

代码解析

1. 定义工具

   • get_weather(location: str): 返回固定天气信息。
   • get_time(location: str): 返回固定时间信息。
   • Tool 结构体用于封装工具，包括名称、调用函数和描述。

2. 初始化 LLM 和 Agent

   • 使用 OllamaLLM(model="llama3:8b", temperature=0) 作为 LLM。
   • 使用 initialize_agent 方法创建 Agent，并指定 AgentType.ZERO_SHOT_REACT_DESCRIPTION。
   • Agent 通过工具的 description 选择合适的工具。

3. 运行 Agent

   • Agent 接受用户输入 告诉我上海当前时间，然后决定调用 get_time。
   • 最终输出 上海的当前时间是 12:00 PM。

3. AgentType.ZERO_SHOT_REACT_DESCRIPTION 的核心机制

该 Agent 类型基于 ReAct 框架工作，流程如下：

1. 模型解析用户输入

   • LLM 读取用户的请求，如 告诉我上海当前时间。

2. Agent 选择合适的工具

   • LLM 根据工具的 description 确定使用 get_time。
   • 生成相应的函数调用。

3. 执行工具调用并返回结果

   • Agent 执行 get_time("上海")。
   • 返回 上海的当前时间是 12:00 PM。

4. 响应用户

   • Agent 将结果输出给用户。

4. ZERO_SHOT_REACT_DESCRIPTION 的应用场景

AgentType.ZERO_SHOT_REACT_DESCRIPTION 适用于以下场景：

• 问答系统：基于多种工具提供智能问答，如天气查询、汇率转换、时间查询等。
• 企业客服：可以根据客户的输入选择合适的 API 调用，自动化处理查询。
• 自动化任务执行：如调用不同的数据库查询接口、自动化执行不同任务等。

5. 结论

本文详细介绍了 AgentType.ZERO_SHOT_REACT_DESCRIPTION，并通过示例展示了如何在 LangChain 中使用它来创建智能 Agent。其主要优势包括零样本学习、自动推理与工具调用，适用于智能问答和自动化任务执行。希望本文能帮助你更好地理解和应用 LangChain 的 Agent 机制！

参考
LangChain教程 - Agent - 支持 9 种 ReAct 交互
J-LangChain - Agent - 0~1 编排一个 ReAct 反应链