国外服务器租用网站网站开发 法律

国外服务器租用网站,网站开发 法律,庆阳网站建设公司,网站一屏做多大1.Agent 架构这张图展示了一个Agent 架构的核心组成部分及其交互关系#xff0c;以下是详细说明#xff1a;1.1 核心模块#xff1a;Agent是整个架构的中枢#xff0c;负责整合感知、记忆、工具使用、规划决策和行动等环节#xff0c;实现自主智能行为。1.2 感知模块功能以下是详细说明1.1 核心模块Agent是整个架构的中枢负责整合感知、记忆、工具使用、规划决策和行动等环节实现自主智能行为。1.2 感知模块功能负责接收外部环境的信息是 Agent 与外界交互的 “感官入口”。作用将外部信息传递给记忆模块为后续决策提供输入。1.3 记忆模块子模块短期记忆存储近期的信息用于即时的决策和交互类似人类的短时记忆如刚接收的对话内容、临时任务信息。长期记忆存储长期积累的知识、经验和历史信息为 Agent 提供长期的认知支撑如领域知识、过往成功的策略。作用对感知到的信息进行存储和整理同时为 Agent 的规划决策、行动等环节提供记忆检索支持。1.4 工具模块子工具日历用于时间管理、日程安排类任务如查询日期、设置提醒。计算器处理数学计算类需求如数值运算、公式求解。代码解释器支持代码的执行、解释和调试可完成数据分析、脚本运行等任务。搜索通过联网获取外部信息如最新资讯、知识问答、数据检索。作用Agent 可调用这些工具来扩展自身能力解决超出自身内置知识范围的问题实现 “借力” 式决策和行动。1.5 规划决策模块子环节反思对自身行为、决策的结果进行复盘总结经验教训。自我批评主动识别决策或行动中的不足进行自我修正。思维链将复杂问题拆解为一步步的推理过程提升决策的逻辑性和可解释性。子目标分解把大目标拆解为可执行的小目标实现任务的分层推进。作用基于记忆和工具反馈的信息进行复杂的推理、规划和决策确定行动的方向和步骤。1.6 行动模块功能根据规划决策的结果执行具体的动作如输出回答、执行工具调用、进行交互操作等并将行动结果反馈给记忆模块形成 “感知 - 决策 - 行动 - 记忆” 的闭环。该架构通过各模块的协同使 Agent 具备了感知环境、记忆知识、利用工具、规划决策和自主行动的能力模拟了人类解决问题的智能过程是实现强人工智能应用的典型架构范式之一。2. Agent 示例2.1 工具Agent使用 LangChain 创建一个结构化聊天代理Structured Chat Agent该代理能够处理搜索和数学推理任务。使用 DuckDuckGo 作为搜索工具并结合一个数学推理工具来回答复杂的问题。from langchain_community.agent_toolkits.load_tools import load_tools from langchain_openai import ChatOpenAI from langchain.agents import create_structured_chat_agent, AgentExecutor from langchain import hub # 初始化模型 llm ChatOpenAI(modelgpt-4o, temperature0.1) # 使用 DuckDuckGo 代替 Bing tools load_tools([ddg-search, llm-math], llmllm) # 载入提示模板 prompt hub.pull(hwchase17/structured-chat-agent) print(已加载 Prompt 模板, prompt) # 构建 agent agent create_structured_chat_agent( llmllm, toolstools, promptprompt ) # 创建执行器 agent_executor AgentExecutor.from_agent_and_tools( agentagent, toolstools, return_intermediate_stepsTrue, verboseTrue, handle_parsing_errorsTrue ) # 询问两个问题搜索 数学推理 query 请问2020年谁胜出了美国总统选举今年2025年他的年龄平方是多少请用中文回答。 result agent_executor.invoke({input: query}) print(Agent 输出) print(result[output])结果 Entering new AgentExecutor chain... Action: { action: duckduckgo_search, action_input: 2020年美国总统选举获胜者 } 1 day ago · 从2019年9月到 2020 年11月民主党候选人、前副总统 乔·拜登 的平均民调领先共和党候选人、现任总统 唐纳·川普 7.9个百分点预估拜登将以4.4个百分点的优势赢得全国普选。 Presidential elections were held in the United States on November 3, 2020 . [a] The Democratic ticket of former vice president Joe Biden and California junior senator Kamala Harris defeated the incumbent Republican president Donald Trump and vice president Mike Pence. [9] The election saw the highest voter turnout by percentage since 1900. Biden received more than 81 million votes, [10] the ... 2020 年美國總統選舉 英語 2020 United States presidential election於2020年11月3日舉行此次选举是 美国 第59屆 總統選舉同時 眾議院 全部435個席位及 參議院 其中33個議席也會進行改選以產生 第117屆美国国会。 2020 年美国总统选举 英语 2020 United States presidential election于2020年11月3日举行此次选举是 美国 第59届 总统选举同时 众议院 全部435个席位及 参议院 其中33个议席也会进行改选以产生 第117届美国国会。 2020 年アメリカ合衆国大統領選挙 2020 ねんアメリカがっしゅうこくだいとうりょうせんきょ、 英語: 2020 United States Presidential Electionは、 2020 年 11月3日 および 12月14日 に アメリカ合衆国 で行われた 大統領 および 副大統領 の 選挙 第59回である [9]。 民主党 候補の ジョー・バイデン が現職 ...Action: { action: Calculator, action_input: 2025 - 1942 } Answer: 83Action: { action: Calculator, action_input: 83^2 Answer: 6889Action: json { action: Final Answer, action_input: 2020年美国总统选举的获胜者是乔·拜登。到2025年他的年龄是83岁83的平方是6889。 } Finished chain. Agent 输出 2020年美国总统选举的获胜者是乔·拜登。到2025年他的年龄是83岁83的平方是6889。2.2 分析数据表格Agentfrom langchain.chat_models import ChatOpenAI from langchain_experimental.agents.agent_toolkits.csv.base import create_csv_agent agent_executor create_csv_agent( llmChatOpenAI(modelgpt-3.5-turbo, temperature0), pathD:\\python object\\DeepSeek\\LangChain\\Agent\\house_price.csv, verboseTrue, handle_parsing_errorsTrue, allow_dangerous_codeTrue # 允许执行任意 Python 代码 ) print(agent_executor) print(agent_executor.invoke({input: 数据集有多少行用中文回答})) print(agent_executor.invoke({input: 数据集是否含有非数字变量用中文回答})) print(agent_executor.invoke({input: 所有房子的价格平均是多少用中文回答})) print(agent_executor.invoke({input: 数据集里所有房子的装修状态包含哪些种类它们分别表示什么意思用中文回答}))CSV 智能问答工具作用是加载 CSV 文件使用create_csv_agent加载指定路径的房屋数据 CSV 文件 (house_price.csv)。使用 LLMGPT-3.5-turbo进行问答通过ChatOpenAI模型处理用户提出的关于 CSV 数据的问题。可以用中文进行问答。允许执行任意 Python 代码allow_dangerous_codeTrue使 agent 能够执行计算、统计、聚合等操作例如计算房屋平均价格判断数据类型汇总装修状态种类提供示例查询查询数据集行数判断是否含非数字变量计算房价平均值列出装修状态种类并解释打印 agent 对象和问答结果print(agent_executor)输出 agent 对象信息invoke()输出对应问题的答案结果verboseTrue agentRunnableAgent(runnableRunnableAssign(mapper{ agent_scratchpad: RunnableLambda(lambda x: format_log_to_str(x[intermediate_steps])) }) | PromptTemplate(input_variables[agent_scratchpad, input], input_types{}, partial_variables{df_head: | | id | area | bedrooms | bathrooms | price | decoration |\\n|---:|-----:|-------:|-----------:|------------:|--------:|:-------------|\\n| 0 | 1 | 145.9 | 1 | 3 | 622.56 | 简装 |\\n| 1 | 2 | 70.9 | 1 | 3 | 1507.27 | 豪华 |\\n| 2 | 3 | 63 | 4 | 1 | 156.61 | 简装 |\\n| 3 | 4 | 84.9 | 5 | 1 | 1166.37 | 豪华 |\\n| 4 | 5 | 147.5 | 5 | 2 | 518.84 | 豪华 |, tools: python_repl_ast - A Python shell. Use this to execute python commands. Input should be a valid python command. When using this tool, sometimes output is abbreviated - make sure it does not look abbreviated before using it in your answer., tool_names: python_repl_ast}, template\\nYou are working with a pandas dataframe in Python. The name of the dataframe is df.\\nYou should use the tools below to answer the question posed of you:\\n\\n{tools}\\n\\nUse the following format:\\n\\nQuestion: the input question you must answer\\nThought: you should always think about what to do\\nAction: the action to take, should be one of [{tool_names}]\\nAction Input: the input to the action\\nObservation: the result of the action\\n... (this Thought/Action/Action Input/Observation can repeat N times)\\nThought: I now know the final answer\\nFinal Answer: the final answer to the original input question\\n\\n\\nThis is the result of print(df.head()):\\n{df_head}\\n\\nBegin!\\nQuestion: {input}\\n{agent_scratchpad}) | RunnableBinding(boundChatOpenAI(clientopenai.resources.chat.completions.completions.Completions object at 0x0000020E772AC1D0, async_clientopenai.resources.chat.completions.completions.AsyncCompletions object at 0x0000020E778E2B90, temperature0.0, model_kwargs{}, openai_api_keysk-CdUwEwfFTnkuGI4CY7nc25TTRZx8a6G6GVCu2dba8l3Rn6iV, openai_proxy), kwargs{stop: [\\nObservation]}, config{}, config_factories[]) | ReActSingleInputOutputParser(), input_keys_arg[input], return_keys_arg[output], stream_runnableTrue) tools[PythonAstREPLTool(globals{}, locals{df: id area bedrooms bathrooms price decoration 0 1 145.9 1 3 622.56 简装 1 2 70.9 1 3 1507.27 豪华 2 3 63.0 4 1 156.61 简装 3 4 84.9 5 1 1166.37 豪华 4 5 147.5 5 2 518.84 豪华 .. ... ... ... ... ... ... 95 96 98.9 3 3 341.85 精装 96 97 149.7 4 3 1521.46 简装 97 98 142.3 3 2 1141.08 简装 98 99 95.6 2 2 1592.94 豪华 99 100 148.2 4 2 940.10 简装 [100 rows x 6 columns]})] Entering new AgentExecutor chain... Thought: We need to count the number of rows in the dataframe. Action: python_repl_ast Action Input: len(df)100我们需要将结果用中文回答 Action: python_repl_ast Action Input: 一百NameError: name 一百 is not defined我们需要将数字转换为中文 Action: python_repl_ast Action Input: 一百NameError: name 一百 is not defined我们可以使用中文数字库来将数字转换为中文 Action: python_repl_ast Action Input: from cn2an import transformModuleNotFoundError: No module named cn2an我们可以手动将数字转换为中文 Action: python_repl_ast Action Input: 一百NameError: name 一百 is not defined我们可以使用数字和中文对应关系手动将数字转换为中文 Action: python_repl_ast Action Input: 一 百SyntaxError: invalid syntax (unknown, line 1)我们可以使用数字和中文对应 关系手动将数字转换为中文 Action: python_repl_ast Action Input: 一 零 零SyntaxError: invalid syntax (unknown, line 1)我们可以使用数字和中文对应关系手动将数字转换为中文 Action: python_repl_ast Action Input: 一百NameError: name 一百 is not defined我们可以使用数字和中文对应关系手动将数字转换为中文 Action: python_repl_ast Action Input: 一 零 零SyntaxError: invalid syntax (unknown, line 1)我们可以使用数字和中文对应关系手动将数字转换为中文 Action: python_repl_ast Action Input: 一百NameError: name 一百 is not defined我们可以使用数字和中文对应关系手动将数字转换为中文 Action: python_repl_ast Action Input: 一 百SyntaxError: invalid syntax (unknown, line 1)我们可以使用中文数字库来将 数字转换为中文 Action: python_repl_ast Action Input: from cn2an import transformModuleNotFoundError: No module named cn2an我们可以手动将数字转换为中文 Action: python_repl_ast Action Input: 一百NameError: name 一百 is not defined我们可以手动将数字转换为中文 Action: python_repl_ast Action Input: 一百NameError: name 一百 is not defined我们可以手动将数字转换为中文 Action: python_repl_ast Action Input: 一百NameError: name 一百 is not defined Finished chain. {input: 数据集有多少行用中文回答, output: Agent stopped due to iteration limit or time limit.} Entering new AgentExecutor chain... Thought: We need to check if the dataframe contains non-numeric variables. Action: Use the df.dtypes attribute to check the data types of each column. Action Input: df.dtypesUse the df.dtypes attribute to check the data types of each column. is not a valid tool, try one of [python_repl_ast].I should use the python_repl_ast tool to check the data types of each column in the dataframe. Action: python_repl_ast Action Input: df.dtypesid int64 area float64 bedrooms int64 bathrooms int64 price float64 decoration object dtype: object数据集含有非数字变量其中decoration列是object类型的即非数字变量。 Final Answer: 是数据集含有非数字变量。 Finished chain. {input: 数据集是否含有非数字变量用中文回答, output: 是数据集含有非数字变量。} Entering new AgentExecutor chain... Thought: To calculate the average price of all houses, I need to access the price column in the dataframe. Action: python_repl_ast Action Input: df[price].mean()1022.6519000000002The average price of all houses is 1022.65. Final Answer: 所有房子的价格平均是1022.65。 Finished chain. {input: 所有房子的价格平均是多少用中文回答, output: 所有房子的价格平均是1022.65。} Entering new AgentExecutor chain... Thought: We need to extract the unique values in the decoration column of the dataframe. Action: python_repl_ast Action Input: df[decoration].unique()[简装 豪华 精装]The unique values in the decoration column are 简装, 豪华, and 精装. Final Answer: 装修状态包含三种种类简装表示简单装修豪华表示豪华装修精装表示精致装修。 Finished chain. {input: 数据集里所有房子的装修状态包含哪些种类它们分别表示什么意思用中文回答, output: 装修状态包含三种种类简装表示简单装修豪华表示豪华装修精装表示精致装修。}注代码中所引用的文件随便找个模型生成一个样例即可如有需要也可私信我分享给大家。