從0到1開發AI Agent | Plan-and-Execute 如何解決AI復雜任務
智能體是一種能夠感知環境、做出決策并采取行動的系統。這些系統能夠執行被動的任務，也能夠主動尋找解決問題的方法，適應環境的變化，并在沒有人類直接干預的情況下做出決策。
1. 業務需求
現在有一個生意很好的鮮花店
在運營花店的過程中，經常遇到特殊情況導致大量花朵損壞，會導致庫存短缺的問題
因此花店急需一個能夠精準預測和優化庫存的解決方案來應對這場危機，否則我們將失去大量顧客并且信譽受損。可是，花店人力嚴重不足
Agent，也許能夠為我們提供深入的市場分析、精確的庫存預測，以及針對性的運營策略
2. Plan-and-Solve 策略
ReAct Agent 是一個很好的原型設計，因為它通過重復的思考、行動、觀察循環來提示語言模型（LLM）：
盡你所能回答以下問題，你可以訪問以下工具:
{tools}
請使用以下格式回答：
問題 : 你必須回答的輸入問題
思考 : 你每次都應該思考接下來怎么做
行動 : 要采取的行動，應該是[tool_names}中的一個
行動輸人 : 行動的輸入
觀察 : 行動的結果
......(這個思考 一 行動 一 行動輸入 一 觀察 過程可以重復N次)
思考 : 我現在知道最終答案了
最終答案 : 原始輸入問題的最終答案
開始!
問題 : {input}
思考 : {agent_scratchpad}通過提示工程向大模型植入這個思維框架，明確地告訴它們，要循序漸進地、交錯地生成推理軌跡和采取行動，將推理和行動融入解決問題的過程中。
ReAct 見：???從0到1開發AI Agent（智能體）（六）| 智能體1 ：通過LangChain中的ReAct框架實現自動定價??
基于這個框架的 Agent在大多數情況下運行良好，但是，當用戶目標變得更加復雜尤其是越來越多的開發者和組織準備將 Agent應用于生產環境時，用戶對于能夠處理更復雜請求的 Agent 的需求增大，同時也需要 Agent 有更高的可靠性。
為了讓 Agent 在專注最終目標的同時也能記住并推理之前的步驟，人們需要增加提示詞的規模，其中將納入越來越多的歷史信息。
同時，為了提高工具調用過程中的可靠性，開發者使提示中包含了更多關于如何使用工具的指令。
面對提高可靠性以及越來越復雜的需求，大模型往往不堪重負，在幾個輪次的 ReAct之后會出現各種各樣的問題
論文《Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models》中提出一種將高級規劃與短期執行分離的框架。
該論文指出，為了解決多步推理任務，Agent應該首先規劃要采取的計劃，然后逐步執行這些計劃。
這就是 Plan-and-Solve 策略
論文：???https://arxiv.org/abs/2305.04091??
Plan-and-Solve 由兩個基本組件組成：
- 一個計劃者，它提示 LLM 生成一個多步驟的計劃，以完成一項大型任務。
- 執行者，它接受用戶查詢和計劃中的一個步驟，并調用一個或多個工具來完成該任務。
3. Plan-and-Execute Agent 方案
LangChain 中的 Plan-and-Execute Agent 受到關于Plan-and-Solve的論文的啟發。
LangChain 見：???從0到1開發AI Agent（智能體）（四）| LangChain 的快速入門??
LangChain團隊認為，Plan-and-Execute Agent非常適合更復雜的長期規劃，把復雜的任務拆解成一個個子任務，逐個擊破。可以避免多次 ReAct Agent 循環過程中產生的提示詞過長的問題。
LangChain 中的 Plan-and-Execute Agent 框架包含計劃者和執行者。
計劃者是一個大模型，它利用語言模型的推理能力來規劃要做的事情，以及可能遇到的邊緣情況(指那些不常發生但有可能影響任務完成的情形 )。
一旦語言模型生成了整個計劃，這個計劃將通過一個輸出解析器進行處理。這個解析器的作用是將模型的原始輸出轉化為一個清晰的步驟列表，其中每個字符串代表計劃中的一個步驟。
針對計劃中的每個步驟，確定如何執行是關鍵。這包括選擇適合完成該步驟的工具或方法。執行者需要深入理解各種可用資源和工具，以選擇最合適的執行路徑。因此，執行者也是一個大模型。
在LangChain 的實現中，執行者本身就是一個ReAct Agent。這允許執行者接受一個高級目標(單個步驟)并使用工具來實現該目標
這種方法的好處是將規劃與執行分開--這允許一個大模型專注規劃，另一個專注執行。
在規劃階段，模型被引導去理解問題的本質，將整體任務分解為更易管理的子任務并制定清晰的解決方案。
在執行階段，則專注于根據前面制定的解決方案逐步解決各個子任務，最終實現整體目標。這種分階段的方法不僅使問題解決過程更加清晰，而且有助于提高解決方案的質量和效率。
4. 通過Plan-and-Execute Agent 實現需求中的物流管理
下面，我們通過 Plan-and-Execute Agent 根據庫存狀況進行鮮花智能調度
4.1 運行環境 Python 3.10.11, LangChain 0.3
4.2 代碼
4.2.1 準備環境變量
import os
# OpenAI 環境變量
os.environ['OpenAI_API_KEY'] = 'hk-iwtbie100e427'
# 搜索工具環境變量
os.environ['SERPAPI_API_KEY'] = '66bebeb608462a334'4.2.2 初始化大模型
# 設置大模型
from langchain_openai import ChatOpenAI
model = ChatOpenAI(
model="gpt-4o-mini",
temperature=0,
base_url="https://api.openai-hk.com/v1"
)4.2.3 設置工具
# 導入LangChain 工具
from langchain.tools import tool
@tool
def check_inventory(flower_type: str) -> int:
"""
查詢特定類型花的庫存數量。
參數:
- flower_type: 花的類型
返回:
- 庫存數量 (暫時返回一個固定的數字)
"""
# 實際應用中這里應該是數據庫查詢或其他形式的庫存檢查
return100# 假設每種花都有100個單位
# 定價函數
@tool
def calculate_price(base_price: float, markup: float) -> float:
"""
根據基礎價格和加價百分比計算最終價格。
參數:
- base_price: 基礎價格
- markup: 加價百分比
返回:
- 最終價格
"""
return base_price * (1 + markup)4.2.4 設置計劃者和執行者
# 設置計劃者和執行者
from langchain_experimental.plan_and_execute import PlanAndExecute, load_agent_executor, load_chat_planner
planner = load_chat_planner(model)
executor = load_agent_executor(model, tools, verbose=True)
# 初始化Plan-and-Execute Agent
agent = PlanAndExecute(planner=planner, executor=executor, verbose=True)4.2.5 執行Agent
agent.invoke("查查玫瑰的庫存然后給出50朵玫瑰的價格和今天可以使用的配送方案！")5. Plan-and-Execute Agent 執行過程
執行程序，在計劃階段，Agent把這個任務拆解成如下4步（完整過程見5.5章）
1.檢查玫瑰花庫存。
2.計算50朵玫瑰的價格。
3.查詢今天可使用的配送方案
4.向用戶提供 50 朵玫瑰花的價格和當天可用的配送選項，給出最終解決方案。
steps=[
Step(value='查詢玫瑰的庫存信息，確認當前庫存量。'),
Step(value='計算50朵玫瑰的價格，根據當前的單價進行計算。'),
Step(value='查詢今天可使用的配送方案，包括時效和費用等信息。'),
Step(value='匯總庫存情況、價格和配送方案，準備回復信息給用戶。\n\nGiven the above steps taken, please respond to the users original question. \n')
]
計劃執行
5.1 查詢玫瑰花庫存
Thought: I need to check the inventory for roses to confirm the current stock level.
# 思考 ： 我需要檢查玫瑰的庫存來確認當前的庫存水平。
Action:
```
{
"action": "check_inventory", # 調用函數
"action_input": {
"flower_type": "玫瑰"
}
}
```
Observation: 100# 觀察：100
Thought:I have successfully retrieved the inventory information for roses, which shows that there are currently 100in stock.
# 思考 ：我已經成功檢索到玫瑰的庫存信息，顯示目前有100個庫存。
Action:
```
{
"action": "Final Answer",
"action_input": "當前玫瑰的庫存量為100株。"
}
```
> Finished chain.
*****
Step: 查詢玫瑰的庫存信息，確認當前庫存量。
Response: 當前玫瑰的庫存量為100株。5.2 計算玫瑰的價格
> Entering new AgentExecutor chain...
Thought: I need to calculate the price of 50 roses based on the current unit price. First, I need to know the base price of a rose to perform the calculation.
# 思考 ：我需要根據當前的單價計算50朵玫瑰的價格。首先，我需要知道玫瑰的基本價格來執行計算。
Action:
```
{
"action": "calculate_price", # 調用函數
"action_input": {
"base_price": 5.0,
"markup": 20
}
}
```
Observation: 105.0# 觀察：105
Thought:I have the final price calculated for50 roses. Now I can provide you with that information.
思考：我已經算出了50朵玫瑰的最終價格。現在我可以向你提供這些信息。
Action:
```
{
"action": "Final Answer",
"action_input": "50朵玫瑰的最終價格為105.0元。"
}
```
> Finished chain.
*****
Step: 計算50朵玫瑰的價格，根據當前的單價進行計算。
Response: 50朵玫瑰的最終價格為105.0元。5.3 查詢今天可使用的配送方案
> Entering new AgentExecutor chain...
Thought: I need to retrieve the available delivery options for today, including their timing and costs. Since there are no specific tools available for checking delivery options, I will provide the information directly based on common knowledge.
# 思考 ：我需要檢索今天可用的交付選項，包括它們的時間和成本。由于沒有特定的工具可以檢查交付選項，我將根據常識直接提供信息。
Action:
```
{
"action": "Final Answer",
"action_input": "今天可用的配送方案包括：1. 普通快遞：費用為20元，預計2-3天送達；2. 加急快遞：費用為50元，預計1-2天送達；3. 當日達：費用為80元，確保今天送達。"
}
```
> Finished chain.
*****
Step: 查詢今天可使用的配送方案，包括時效和費用等信息。
Response: 今天可用的配送方案包括：1. 普通快遞：費用為20元，預計2-3天送達；2. 加急快遞：費用為50元，預計1-2天送達；3. 當日達：費用為80元，確保今天送達。5.4 匯總最終解決方案
> Entering new AgentExecutor chain...
Thought: I need to summarize the information on the rose inventory, the price for50 roses, and the available delivery options for the user.
# 思考 ：我需要總結玫瑰庫存信息，50朵玫瑰的價格，以及用戶可以選擇的送貨方式。
Action:
```
{
"action": "Final Answer",
"action_input": "當前玫瑰的庫存量為100株。50朵玫瑰的最終價格為105.0元。今天可用的配送方案包括：1. 普通快遞：費用為20元，預計2-3天送達；2. 加急快遞：費用為50元，預計1-2天送達；3. 當日達：費用為80元，確保今天送達。"
}
```
> Finished chain.
*****
Step: 匯總庫存情況、價格和配送方案，準備回復信息給用戶。
Given the above steps taken, please respond to the users original question.
Response: 當前玫瑰的庫存量為100株。50朵玫瑰的最終價格為105.0元。今天可用的配送方案包括：1. 普通快遞：費用為20元，預計2-3天送達；2. 加急快遞：費用為50元，預計1-2天送達；3. 當日達：費用為80元，確保今天送達。
> Finished chain.5.5 完整運行日志
Agent展示了結構化和邏輯清晰的任務執行方式。每一步都基于前一步的結果來做出決策，并最終向用戶提供了詳盡的信息。這種按步驟解決問題的方法不僅有助于保持任務的清晰性和準確性，也使得 Agent 能夠有效地處理復雜的任務。
Plan-and-Execute Agent可以確保任務按照既定流程順利完成并給出答案。
本文轉載自 ??AI取經路??，作者： AI取經路
