【Langchain Agent研究】SalesGPT项目介绍（四）-CSDN博客
上节课，我们分析了一下salesGPT项目里源代码的一些问题，重新写了一个运行方法，换了一个模型并修改了一些源代码开始把项目跑起来了，我们已经可以通过console和模型进行对话了。
我们之前选的模式是不使用工具的模式，所以我们启用的是sales_conversation_utterance_chain，这节课我们尝试使用工具，也就是之前我们介绍过的sales_agent_executor和用setup_knowledge_base()方法构造的knowledge_base。
1. 运行使用工具的Agent
我们重新写一个my_test_with_tools.py的方法，其他的地方一样，注意在构造sales_agent的时候，use_tools=True，product_catalog要改一下，用你项目本地的地址：
sales_agent = SalesGPT.from_llm(
llm,
verbose=True,
use_tools=True,
product_catalog=r"C:\Users\Administrator\SalesGPT\examples\sample_product_catalog.txt",
salesperson_name="Ted Lasso",
salesperson_role="Sales Representative",
company_name="Sleep Haven",
company_business="""Sleep Haven
is a premium mattress company that provides
customers with the most comfortable and
supportive sleeping experience possible.
We offer a range of high-quality mattresses,
pillows, and bedding accessories
that are designed to meet the unique
needs of our customers.""",
)我们运行一下这块代码，发现在我们询问产品价格后，Agent开始思考是否要使用工具（就是我们之前构造的另外一个Agent——knowledge_base，它是一个RetrievalQA类型的Chain，也可以认为是一个Agent），下面是它的思考过程，我直接用prompt模板里面的内容了：
这里能看到我和机器人对话的聊天记录（我使用的是中文询问），也能看到当我询问产品和价格后，我们启用了 sales_agent_executor，它开始思考是否使用它的工具——另外一个Agent进行QA查询。它的决定是YES，启用knowledge_base去查询价格。
我们在【Langchain Agent研究】SalesGPT项目介绍（三）-CSDN博客中留下了两个遗留问题，我们在能运行项目之后再来看一下这里面的东西就清晰了：
2. CustomPromptTemplateForTools
首先在调用CustomPromptTemplateForTools时，有三个地方需要注意，第一个是tools_getter=lambda x: tools。
prompt = CustomPromptTemplateForTools(
template=SALES_AGENT_TOOLS_PROMPT,
tools_getter=lambda x: tools,
# This omits the `agent_scratchpad`, `tools`, and `tool_names` variables because those are generated dynamically
# This includes the `intermediate_steps` variable because that is needed
input_variables=[
"input",
"intermediate_steps", #这是在调用tools时，会产生的中间变量，是一个list里面的一个tuple，一个是action，一个是observation
"salesperson_name",
"salesperson_role",
"company_name",
"company_business",
"company_values",
"conversation_purpose",
"conversation_type",
"conversation_history",
],
)这一行的意思是，tools_getter这个lambda函数接收任意一个参数，返回tools。所以在后面的代码里，我改变了原来代码的输入，这完全不影响后续的结果：
# tools = self.tools_getter(kwargs["input"])
tools = self.tools_getter([])第二个是input_variables里的input是没有值的，这一点困惑了我很久，后来我才发现其实这里根本不需要input应该也是不影响代码调用的，大家可以自己试试。
第三个是intermediate_steps，这是一个只有在代码运行中并调用了tools时才会产生的中间变量，我把它找了出来贴一下：
这个是一个LIST，里面有一个tuple，tuple里面又是两个tuple ，一个是action，一个是observation，我们就用action的log和observation去构造agent_scratchpad，agent_scratchpad是构造有memory的agent必要的一个组件。至此，我们就基本搞明白了CustomPromptTemplateForTools，用它的format方法把输入的参数进行一些调整、拼接，获得一个新的prompt。但是有一点我有点不太明白的是，CustomPromptTemplateForTools这个类的format方法我并没有调用过，为啥就生效呢？这个确实不太明白，可能涉及到langchain对于prompt这块的底层设计原理，我现在还接触不到。
3. SalesConvoOutputParser
我们来看一下这个输出解析器。这块也是之前遗留的一个难点，因为这个Parser处理的是sales_agent_executor执行后的结果，不看到具体的输出我们确实很难理解这块代码在干什么。
我们启动代码，然后输入查询价格的指令：
首先，stage_analyzer_chain进行阶段判断，判定到了第三个阶段：
然后，AgentExecutor开始执行，AgentExecutor在读取了历史聊天记录后开始进行分析，这个是它的输出：
到这里，我们就理解了SalesConvoOutputParser代码中：
regex = r"Action: (.*?)[\n]*Action Input: (.*)"
match = re.search(regex, text)
if not match:
## TODO - this is not entirely reliable, sometimes results in an error.
return AgentFinish(
{
"output": "I apologize, I was unable to find the answer to your question. Is there anything else I can help with?"
},
text,
)
# raise OutputParserException(f"Could not parse LLM output: `{text}`")
action = match.group(1)
action_input = match.group(2)
return AgentAction(action.strip(), action_input.strip(" ").strip('"'), text)regex = r"Action: (.*?)[\n]*Action Input: (.*)" 是一个正则表达式，这个正则表达式可以用来匹配文本中以"Action:"开头，接着是动作内容，然后是零个或多个换行符，最后以"Action Input:"开头，接着是动作输入内容的部分。后面做的事情就是要用这个正则表达式去查询TEXT内容，去把"Action:"和"Action Input:"后面的东西提取出来，并赋值给action和action_input。
这是AgentExecutor第一轮的输出，然后到第二轮的输出：
这个时候，已经通过调用工具进行了知识库查询，获得了这段TEXT，然后我们就理解了这段代码的作用：
if f"{self.ai_prefix}:" in text:
return AgentFinish(
{"output": text.split(f"{self.ai_prefix}:")[-1].strip()}, text
)就是如果发现了Ted Lasso:为开头的输出，那就表明AgentExecutor已经获得了执行结果，代表可以返回AgentFinish，代表这个流程结束了。
4.结束语
至此，我们就基本掌握了SalesGPT的基本原理，也了解了它的核心代码逻辑和一些有难点的地方，这对于我们理解多Agent系统，对话阶段判断和prompt与parser的内容组装调整有巨大的好处。
下一步，我们将尝试把我们之前构造的聊天机器人加入多Agent系统，让他可以根据用户对话的情况进行分析，给用户推销适配的旅游产品。