LangChain ReAct Agent: автоматизация обслуживания клиентов с использованием RAG

Проект **LangChain ReAct Agent** представляет собой систему интеллектуального обслуживания клиентов, основанную на парадигме ReAct (Reasoning + Acting). Она объединяет функциональности RAG (retrieval-augmented generation) и многократного вызова инструментов, а также предоставляет пользовательский интерфейс на базе Streamlit. Основная цель этой системы — автоматически определять тип задач (например, вопросы-ответы или генерация отчетов) в зависимости от намерений пользователя и эффективно использовать соответствующие инструменты и базы знаний для выполнения запросов.

Функционал системы

Основные особенности проекта включают:

• Реализация ReAct парадигмы: цикл мыслей (Thought) и действия (Action), где агент самостоятельно принимает решения о вызове определенных инструментов.
• Улучшенная функциональность RAG: использует векторную базу данных Chroma и предоставляет поддержку загрузки документов в формате txt и pdf.
• Многократный вызов инструментов: агент самостоятельно выбирает, какие инструменты и данные использовать для запроса, включая проверку погоды и генерацию отчетов.
• Динамическое переключение подсказок: система автоматически переключается между разными шаблонами в зависимости от контекста выполнения задания.
• Интерфейс на основе Streamlit: обеспечивает потоковый вывод сообщений и отображение процесса размышления агента в реальном времени.
• Модульная структура: проект разделен на независимые модули, которые можно настраивать при помощи YAML-файлов.

Быстрый старт

Чтобы запустить проект, следуй инструкции:

1. Клонировать репозиторий:

   git clone https://github.com/lhh737/LangChain-ReAct-Agent.git
   cd LangChain-ReAct-Agent

2. Установить зависимости:

   pip install -r requirements.txt

3. Настроить API ключ:

   # Linux / macOS
   export DASHSCOPE_API_KEY="your-api-key"
   
   # Windows (CMD)
   set DASHSCOPE_API_KEY=your-api-key

4. Инициализировать базу знаний (при первом запуске):

   python -c "from rag.vector_store import VectorStoreService; VectorStoreService().load_document()"

5. Запустить приложение:

   streamlit run app.py

6. Проверить работу: В браузере откроется интерфейс на **http://localhost:8501**, где ты можешь тестировать систему вопросами.

Архитектура и технологии

Система построена с использованием следующих технологий:

• LLM: DashScope и ChatTongyi.
• Фреймворк агента: LangChain и LangGraph.
• Векторная база данных: Chroma.
• Обработка документов: PyPDF и RecursiveCharacterTextSplitter.
• Фронтенд: Streamlit.
• Конфигурация: Управляется через YAML-файлы.

Ограничения

Основные ограничения проекта заключаются в необходимости наличия ключа API DashScope для работы с функционалом, а также в том, что проект требует поддержки Python версии 3.10 или выше. Пользовательская база знаний должна быть предварительно подготовлена и загружена в систему для корректной работы, и в текущем варианте необходимо обеспечивать наличие документации на конкретные темы, такие как функционал робота-пылесоса.