huzixia

Agent｜手搓一个最小的 Agent 系统 — Tiny Agent

2024/05/24 Agent 共 7871 字，约 23 分钟
AI Freedom

调研Agent核心思想，主要有metagpt、React、Reflexion、Toolformer、Swiftsage、Creator等等。Tiny Agent 实现，主要包括 构造大模型、构造工具、构造Agent、运行Agent等步骤。

#! https://zhuanlan.zhihu.com/p/699732624

手搓一个最小的 Agent 系统 — Tiny Agent

目录： [toc]

1. Agent 核心思想

MetaGPT

METAGPT: META PROGRAMMING FOR A MULTI-AGENT COLLABORATIVE FRAMEWORK

代码：https://github.com/geekan/MetaGPT

论文：https://arxiv.org/abs/2308.00352

Agents之间的SOP流程，流程的规范化和评估化，保障结果的可靠性。

  1. 定义role和action，一个role，可以有多个action，根据最新版本代码，一个action，可以有多个action node
  2. 最重要的，我认为是shared message pool 和 subscription publish，类比于公司实际情况，各个部门沟通之后的信息共享和订阅发布，能有效消除信息差。

类比于公司实际情况，各个部门role的communication，需要遵循两个原则：

  1. 内容有据可依，不同的角色有不同的技能，不同的任务，output有据可依，有评估，有check，有流程。

  2. 结果共享周知，角色的memory，自身记忆，环境信息，可利用的资源任务等，这些都有利于优化下一步动作。

我理解的metaGPT核心，其本质类似于公司的组织架构，横向同一层级的工作模式，可能是COT、TOT、GOT，纵向深度有不同的层级，如role、action、action node等，其中role的 run、react、think、act是保障任务深度执行的关键。

生成的推荐系统结果展示：

React

ReAct论文解读：LLM ReAct范式，在大语言模型中结合推理和动作

https://zhuanlan.zhihu.com/p/624003116

论文：https://arxiv.org/abs/2210.03629

通过显式推理，加上动作，LLM Agent自主找到了答案。整个过程感觉就像是个不是特别聪明的孩子，要把想法写出来，然后去综合所有想法和观察，接着再做出相应的动作。但显然这个方法很有效，它最终找到了答案。

也许将来，聪明的LLM Agent不需要显式推理，通过纯动作，即传统方法3，也能得到正确答案。但作为人类，我们还是会去使用ReAct范式，因为他具备了可解释性。我们可以知道Agent是怎么想的，尤其是在需要调试和人工介入的情况下。

此外，作者还提出了进一步提高ReAct准确率的方法，即微调finetuning，类似人类“内化”知识的过程，将上千条正确的推理动作轨迹输入进LLM进行finetuning，可以显著提高准确率。与其他三种方法同时finetuning后进行比较，ReAct的表现显著超越其他三种传统方法。

Reflexion

Reflexion: Language Agents with Verbal Reinforcement Learning

论文：https://arxiv.org/abs/2303.11366

提出 Reflexion，这是一种“语言”强化的新范式，它将策略参数化为代理的记忆编码，并配对参数选择LLM。

探索自我反思的这种涌现特性，LLMs并实证表明，自我反思对于在少数试验中学习复杂的任务非常有用。

介绍LeetcodeHardGym，这是一个代码生成 RL 健身房环境，由 19 种编程语言的 40 个具有挑战性的 Leetcode 问题（“硬级别”）组成。

表明Reflexion 在多个任务上实现了对强基线的改进，并在各种代码生成基准上取得了最先进的结果。

Toolformer

Toolformer: Language Models Can Teach Themselves to Use Tools

论文：https://arxiv.org/abs/2302.04761

提出了 Toolformer，这是一种学习以新颖方式使用工具的模型，它满足以下目的：

工具的使用应该以自我监督的方式学习，而不需要大量的人工注释。这是不重要的——这不仅是因为与此类注释相关的成本，还因为人类认为有用的东西可能与模型认为有用的东西不同。

LM不应失去其任何通用性，并且应该能够自行决定何时以及如何使用哪种工具。与现有方法相比，这样可以更全面地使用与特定任务无关的工具。

目标是使语言模型 M 能够通过 API 调用使用不同的工具。我们要求每个 API 的输入和输出可以表示为文本序列。这允许将 API 调用无缝插入到任何给定文本中，使用特殊标记来标记每个此类调用的开始和结束。

Swiftsage

SwiftSage: A Generative Agent with Fast and Slow Thinking for Complex Interactive Tasks

基于大语言模型的Agent——SwiftSage: 一种拟人类的快慢思考方法

https://zhuanlan.zhihu.com/p/657244062

论文：https://arxiv.org/abs/2305.17390

小模型：SLM，快思考，简单任务

大模型：LLM，慢思考，复制任务

用一个小模型直接输出决策，当小模型不行时改用大模型通过复杂planning输出决策。这么做的好处自然是运行效率高，现有很多LLM-based agent方法虽然产生了不错的效果，但频繁调用大模型其实带来了巨大的开销，

这篇文章专门针对ScienceWorld环境，基于demonstration数据预训练了一个小模型，称为Swift，和一个大模型，称为Sage。小模型在简单问题上足够输出有效动作，但在复杂问题或未见问题上难以做出好的决策，这时需要调用大模型。这篇文章设计了各种规则，将两者结合起来了。

Creator

CREATOR: Tool Creation for Disentangling Abstract and Concrete Reasoning of Large Language Models

论文： https://arxiv.org/abs/2305.14318

工具创建框架 CREATOR，它利用 LLMs’ 根据手头的问题创建和修改工具的能力。上图片说明了 CREATOR 和通用工具使用框架之间的差异。虽然工具使用框架侧重于选择和规划 API 使用的推理，但我们的框架强调工具选择的多样化，解开抽象和具体的推理，以及提高鲁棒性和准确性。具体来说，CREATOR由四个阶段组成：

  • 创建：创建具有文档的通用工具，并通过基于问题的抽象推理实现。

  • 决策：使用可用的工具，决定何时以及如何使用它们来解决问题。

  • 执行：执行程序，应用所选工具来解决问题。

  • 整改：根据执行结果对工具和决策进行修改。

2. Tiny Agent 实现

在ChatGPT横空出世，夺走Bert的桂冠之后，大模型愈发的火热，国内各种模型层出不穷，史称“百模大战”。大模型的能力是毋庸置疑的，但大模型在一些实时的问题上，或是某些专有领域的问题上，可能会显得有些力不从心。因此，我们需要一些工具来为大模型赋能，给大模型一个抓手，让大模型和现实世界发生的事情对齐颗粒度，这样我们就获得了一个更好的用的大模型。

感谢DataWhale组织的大模型实战学习，对应的github链接 🔗：tiny-universe

这里基于React的方式，我们手动制作了一个最小的Agent结构（其实更多的是调用工具）。

一步一步手写Agent，可以让我们对Agent的构成和运作更加的了解。以下是React论文中一些小例子。

论文：ReAct: Synergizing Reasoning and Acting in Language Models

Step 1: 构造大模型

首先我们需要一个大模型，这里我们使用InternLM2作为我们的 Agent 模型。InternLM2是一个基于Decoder-Only的通用对话大模型，可以使用transformers库来加载InternLM2模型。

首先，还是先创建一个BaseModel类，我们可以在这个类中定义一些基本的方法，比如chat方法和load_model方法，方便以后扩展使用其他模型。

class BaseModel:
    def __init__(self, path: str = '') -> None:
        self.path = path

    def chat(self, prompt: str, history: List[dict]):
        pass

    def load_model(self):
        pass

接着，我们创建一个InternLM2类，这个类继承自BaseModel类，我们在这个类中实现chat方法和load_model方法。就和正常加载InternLM2模型一样，来做一个简单的加载和返回即可。

class InternLM2Chat(BaseModel):
    def __init__(self, path: str = '') -> None:
        super().__init__(path)
        self.load_model()

    def load_model(self):
        print('================ Loading model ================')
        self.tokenizer = AutoTokenizer.from_pretrained(self.path, trust_remote_code=True)
        self.model = AutoModelForCausalLM.from_pretrained(self.path, torch_dtype=torch.float16, trust_remote_code=True).cuda().eval()
        print('================ Model loaded ================')

    def chat(self, prompt: str, history: List[dict], meta_instruction:str ='') -> str:
        response, history = self.model.chat(self.tokenizer, prompt, history, temperature=0.1, meta_instruction=meta_instruction)
        return response, history

Step 2: 构造工具

我们在tools.py文件中，构造一些工具，比如Google搜索。在这个文件中，构造一个Tools类。在这个类中，我们需要添加一些工具的描述信息和具体实现方式。

添加工具的描述信息，是为了在构造system_prompt的时候，让模型能够知道可以调用哪些工具，以及工具的描述信息和参数。

  • 首先要在 tools 中添加工具的描述信息
  • 然后在 tools 中添加工具的具体实现

使用Google搜索功能的话需要去serper官网申请一下token: https://serper.dev/dashboard， 然后在tools.py文件中填写你的key，这个key每人可以免费申请一个，且有2500次的免费调用额度，足够做实验用

class Tools:
    def __init__(self) -> None:
        self.toolConfig = self._tools()
    
    def _tools(self):
        tools = [
            {
                'name_for_human': '谷歌搜索',
                'name_for_model': 'google_search',
                'description_for_model': '谷歌搜索是一个通用搜索引擎，可用于访问互联网、查询百科知识、了解时事新闻等。',
                'parameters': [
                    {
                        'name': 'search_query',
                        'description': '搜索关键词或短语',
                        'required': True,
                        'schema': {'type': 'string'},
                    }
                ],
            }
        ]
        return tools

    def google_search(self, search_query: str):
        pass

Step 3: 构造Agent

我们在Agent.py文件中，构造一个Agent类，这个Agent是一个React范式的Agent，我们在这个Agent类中，实现了text_completion方法，这个方法是一个对话方法，我们在这个方法中，调用InternLM2模型，然后根据React的Agent的逻辑，来调用Tools中的工具。

首先我们要构造system_prompt, 这个是系统的提示，我们可以在这个提示中，添加一些系统的提示信息，比如ReAct形式的prompt。

def build_system_input(self):
    tool_descs, tool_names = [], []
    for tool in self.tool.toolConfig:
        tool_descs.append(TOOL_DESC.format(**tool))
        tool_names.append(tool['name_for_model'])
    tool_descs = '\n\n'.join(tool_descs)
    tool_names = ','.join(tool_names)
    sys_prompt = REACT_PROMPT.format(tool_descs=tool_descs, tool_names=tool_names)
    return sys_prompt

OK, 运行出来的示例应该是这样的：

Answer the following questions as best you can. You have access to the following tools:

google_search: Call this tool to interact with the 谷歌搜索 API. What is the 谷歌搜索 API useful for? 谷歌搜索是一个通用搜索引擎，可用于访问互联网、查询百科知识、了解时事新闻等。 Parameters: [{'name': 'search_query', 'description': '搜索关键词或短语', 'required': True, 'schema': {'type': 'string'}}] Format the arguments as a JSON object.

Use the following format:

Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [google_search]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can be repeated zero or more times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

Begin!

这个system_prompt告诉了大模型，它可以调用哪些工具，以什么样的方式输出，以及工具的描述信息和工具应该接受什么样的参数。目前只是实现了一个简单的Google搜索工具。

关于Agent的具体结构可以在tinyAgent/Agent.py中查看。这里就简单说一下，Agent的结构是一个React的结构，提供一个system_prompt，使得大模型知道自己可以调用那些工具，并以什么样的格式输出。

每次用户的提问，如果需要调用工具的话，都会进行两次的大模型调用，第一次解析用户的提问，选择调用的工具和参数，第二次将工具返回的结果与用户的提问整合。这样就可以实现一个React的结构。

下面为Agent代码的简易实现，每个函数的具体实现可以在tinyAgent/Agent.py中查看。

class Agent:
    def __init__(self, path: str = '') -> None:
        pass

    def build_system_input(self):
        # 构造上文中所说的系统提示词
        pass
    
    def parse_latest_plugin_call(self, text):
        # 解析第一次大模型返回选择的工具和工具参数
        pass
    
    def call_plugin(self, plugin_name, plugin_args):
        # 调用选择的工具
        pass

    def text_completion(self, text, history=[]):
        # 整合两次调用
        pass

Step 4: 运行Agent

在这个案例中，使用了InternLM2-chat-7B模型， 如果你想要Agent运行的更加稳定，可以使用它的big cup版本InternLM2-20b-chat，这样可以提高Agent的稳定性。

from Agent import Agent


agent = Agent('/root/share/model_repos/internlm2-chat-20b')

response, _ = agent.text_completion(text='你好', history=[])
print(response)

# Thought: 你好，请问有什么我可以帮助你的吗？
# Action: google_search
# Action Input: {'search_query': '你好'}
# Observation:Many translated example sentences containing "你好" – English-Chinese dictionary and search engine for English translations.
# Final Answer: 你好，请问有什么我可以帮助你的吗？ 

response, _ = agent.text_completion(text='周杰伦是哪一年出生的？', history=_)
print(response)

# Final Answer: 周杰伦的出生年份是1979年。 

response, _ = agent.text_completion(text='周杰伦是谁？', history=_)
print(response)

# Thought: 根据我的搜索结果，周杰伦是一位台湾的创作男歌手、钢琴家和词曲作家。他的首张专辑《杰倫》于2000年推出，他的音乐遍及亚太区和西方国家。
# Final Answer: 周杰伦是一位台湾创作男歌手、钢琴家、词曲作家和唱片制作人。他于2000年推出了首张专辑《杰伦》，他的音乐遍布亚太地区和西方国家。他的音乐风格独特，融合了流行、摇滚、嘻哈、电子等多种元素，深受全球粉丝喜爱。他的代表作品包括《稻香》、《青花瓷》、《听妈妈的话》等。 

response, _ = agent.text_completion(text='他的第一张专辑是什么？', history=_)
print(response)

# Final Answer: 周杰伦的第一张专辑是《Jay》。

文档信息

Search

    Table of Contents