什麼是 Haystack Agents？工具驅動的自然語言處理與代碼實現的綜合指南

現代的自然語言處理（NLP）應用程序通常需要多步推理、與外部工具互動，以及能夠根據用戶查詢動態調整。Haystack Agents 是由 deepset 開發的 Haystack NLP 框架中的一個創新功能，展示了這一新一波先進 NLP 能力的範例。

Haystack Agents 被設計用來處理以下情況：

複雜的多步推理。

整合外部工具或 API。

超越簡單問答的檢索增強工作流程。

這篇文章將深入探討 Haystack Agents 框架，探索其特點、架構和實際應用。為了提供實用的見解，我們將建立一個使用搜索引擎和計算器等工具的問答代理（QA Agent）。

為什麼選擇 Haystack Agents？

與 LangChain 等通用框架不同，Haystack Agents 深度整合在 Haystack 生態系統中，使其在文件檢索、自訂工具整合和多步推理等專業任務中非常有效。這些代理擅長使用先進的檢索器在大型數據集中進行搜索，通過整合 API 擴展功能，例如計算或數據庫查詢，並處理需要邏輯推理的複雜查詢。作為開源和模組化的工具，Haystack Agents 可以無縫整合流行的機器學習（ML）庫和基礎設施，如 Elasticsearch、Hugging Face 模型和預訓練的變壓器。

Haystack Agents 的架構

Haystack Agents 的結構使用工具驅動的架構。在這裡，工具作為設計用於特定任務的獨立模組，例如文件搜索、計算或 API 互動。代理動態決定使用哪些工具、使用的順序，以及如何結合它們的輸出以生成連貫的回應。架構包括關鍵組件，如執行特定操作提示的工具，這些提示指導代理的決策過程。這些檢索器促進在大型數據集中進行文件搜索，而節點和管道則管理數據處理和工作流程的協調。

使用案例：建立一個使用搜索和計算器工具的問答代理

在這個教程中，我們的問答代理將執行以下操作：

從文件庫中檢索事實問題的答案。

使用計算器工具進行數學計算。

在需要時動態結合結果。

步驟 1：安裝前置條件

在開始實作之前，確保您的環境已設置：

安裝 Python 3.8 或更高版本。

安裝 Haystack 及所有依賴項：

pip install farm-haystack[all]

啟動 Elasticsearch，這是我們文件庫的核心：

docker run -d -p 9200:9200 -e "discovery.type=single-node" docker.elastic.co/elasticsearch/elasticsearch:7.17.1

步驟 2：初始化文件庫和檢索器

文件庫是存儲和查詢文件的中央庫，而檢索器則找到與給定查詢相關的文件。

from haystack.utils import launch_es

from haystack.nodes import EmbeddingRetriever

from haystack.pipelines import DocumentSearchPipeline

from haystack.document_stores import ElasticsearchDocumentStore



# 啟動 Elasticsearch

launch_es()



# 初始化文件庫

document_store = ElasticsearchDocumentStore()



# 將文件添加到庫中

docs = [

    {"content": "阿爾伯特·愛因斯坦是一位理論物理學家，他發展了相對論。"},

    {"content": "法國的首都是巴黎。"},

    {"content": "16 的平方根是 4。"}

]

document_store.write_documents(docs)



# 初始化檢索器

retriever = EmbeddingRetriever(

    document_store=document_store,

    embedding_model="sentence-transformers/all-MiniLM-L6-v2",

    use_gpu=True

)



# 更新嵌入

document_store.update_embeddings(retriever)

步驟 3：定義工具

工具是 Haystack Agents 的基本組件。每個工具都有特定的用途，例如搜索文件或進行計算。

from haystack.agents.base import Tool



# 搜索工具

search_pipeline = DocumentSearchPipeline(retriever)

search_tool = Tool(

    name="Search",

    pipeline_or_node=search_pipeline,

    description="使用此工具回答事實問題，利用文件庫。"

)



# 計算器工具

def calculate(expression: str) -> str:

    try:

        result = eval(expression)

        return str(result)

    except Exception as e:

        return f"計算錯誤：{e}"



calculator_tool = Tool(

    name="Calculator",

    pipeline_or_node=calculate,

    description="使用此工具進行數學計算。"

)

步驟 4：初始化代理

Haystack 中的代理配置有工具和提示模板，定義它們如何與工具互動。

from haystack.agents import Agent



# 初始化代理

agent = Agent(

    tools=[search_tool, calculator_tool],

    prompt_template="使用提供的工具回答問題。如有需要，結合結果。"

)

步驟 5：查詢代理

通過提出自然語言查詢與代理互動。

# 事實問題

response = agent.run("誰發展了相對論？")

print("代理回應：", response)



# 數學計算

response = agent.run("8 * (2 + 3) 的結果是什麼？")

print("代理回應：", response)



# 結合查詢

response = agent.run("16 的平方根是什麼，誰發展了它？")

print("代理回應：", response)

Haystack Agents 的進階功能

自訂工具：整合 API 或特定領域的工具以擴展功能（例如，天氣 API、股市數據）。

微調模型：用於專業任務的微調模型替換默認嵌入模型。

鏈接管道：使用多個管道處理涉及多個數據來源的複雜查詢。

總之，Haystack Agents 提供了一個強大、靈活且模組化的框架，用於構建需要動態多步推理和工具使用的先進 NLP 應用程序。由於它們無縫整合到 Haystack 生態系統中，這些代理在文件檢索、自訂 API 整合和邏輯處理等任務中表現出色，非常適合解決複雜的現實問題。它們特別適合用於客戶支持機器人等應用，這些機器人結合文件搜索和外部 API 以實現即時票務解決方案，教育工具檢索信息並進行計算以回答用戶查詢，以及商業智能解決方案，從多個來源聚合數據並生成見解。