智能体示例：HR虚拟助理

引言

HR AI虚拟助理为员工提供了高效的信息获取途径和全面的人力资源服务。员工透过机器人可以深入了解公司制度，提出休假请求，查阅日程安排，查询休假、病假以及其他福利余额等。虚拟助理实现了全天候、不间断的支持，有效减轻人力资源团队的负担，同时提升员工体验。

本篇将呈现一个领先的HR智能体示例，它具备读取员工信息和访问公司行政制度的能力。该智能体基于获取的详细信息为员工提供精准的回答，涵盖公司制度问题以及员工的剩余休假、调休计算等工作，为人力资源管理提供高度智能化的解决方案。

示例说明

功能说明

该示例的主要目标是设计和开发一款专注于人力资源（HR）管理的智能体，以实现三个基本功能：

该智能体实现了基于公司行政管理的基础问答功能。
它实现了基于员工个人信息查询的问答功能，例如涉及岗位职级、已用年假、加班小时数等方面。
该智能体还涵盖了一系列复杂的计算任务，包括但不限于剩余休假天数和加班兑换调休天数等。在这一实例中，我们的主要关注点是验证AI智能体在用户提问的情境下，通过正确的动作推理和信息获取，能够提供更准确的回答。这涉及到对公司行政规章的结构化存储和对员工信息的数据库管理，以确保智能体在处理各种查询时能够产生精准的结果。

整体结构

HR虚拟助理系统由五个核心模块构成，具体如下：

智能体模块： 该模块负责与ChatGPT进行交互，获取GPT推理结果和决策信息，并通过调用工具来执行相关任务。
ChatGPT： 作为HR虚拟助理的核心智能引擎，ChatGPT负责基于智能体提交的内容进行推理和决策。
MySQL查询（工具）： 通过与MySQL数据库的连接，该工具实现对员工信息的查询和检索功能。
文档检索（工具）： 公司制度经过Embedding模型编码后，存储于向量数据库中。文档存储工具专注于检索和获取与公司制度相关的文档信息。
算术运算（工具）： 该模块专门负责进行四则运算，例如计算剩余休假天数、加班调休转换等与计算相关的任务。

代码实现

智能体工具

我们通过Langchain构建了三个工具（Tool）：

Pinecone
Pinecone是一款向量数据库，公司制度存储在"hr-agent"索引中。在初始化过程中，需要分配一个嵌入模型（Embedding Model）实例，该实例用于对问题进行编码，以便在搜索时进行索引。"查询公司制度"工具使用相似性搜索方法来检索文档。
SQLDatabaseChain
SQLDatabaseChain是LangChain中的一个简单链，用户可以通过自然语言使用该链向数据库提出查询并获取答案。该链通过LLM将用户的自然语言查询转换为SQL查询，并在数据库中执行。随后，LLM对执行结果进行分析和解释，并将分析结果以自然语言形式返回。
LLMMathChain
LLMMathChain接收自然语言形式的数学算式作为输入，利用LLM生成执行数学计算公式的Python代码。接着，该链对生成的代码进行编译和执行，并输出相应的计算结果。

# 创建ChatGPT实例
llm = ChatOpenAI()
# 创建ChatGPT嵌入模型实例
embeddings = OpenAIEmbeddings()

# 创建Pinecone向量数据库实例，用于搜索行政管理制度
pc = Pinecone.from_existing_index("hr-agent", embeddings)

# 创建数据库示例，database_uri：mysql+pymysql://{user}:{password}@{host}/database}
db = SQLDatabase.from_uri(database_uri)

# 创建db_chain，用作智能体数据库查询工具
db_chain = SQLDatabaseChain.from_llm(llm, db, verbose=True)

# 创建算术运算chain实例
calculator = LLMMathChain.from_llm(llm=llm, verbose=True)
    
tools = [
    Tool(
        name="查询公司制度",
        func=pc.similarity_search,
        description="这是用于查询公司行政管理制度手册的工具，比如：休假、调休、出差等制度。",
    ),
    Tool(
        name="获取员工信息",
        func=db_chain.run,
        description="""
        此工具用于查询员工详细信息。输入参数：请查询员工[这里填入员工姓名]的信息并以JSON格式返回，JSON key为字段中文描述。
        """,
    ),
    Tool(
        name = "计算器",
        func=calculator.run,
        description = "此工具用于年假、调休等计算"
    )
]

构建智能体

接下来，我们需要构建一个智能体（Agent），该智能体接受多个参数，包括所需使用的工具（tools）、大型模型的实例（llm）、智能体类型（AgentType）以及提示词前缀。同时这里我们也指定了访问此智能体询问自身情况的员工：“周鹏”。

employee = "周鹏"
agent_kwargs = {'prefix': f"""
你作为一名专业的人力资源助理，你的任务是为员工{employee}提供关于员工信息、公司制度、休假和调休等相关信息的查询和解答服务。
在回答问题时，始终把员工作为甲方使用尊称“您”，体现对员工的尊重和礼貌。

你可以使用以下工具：
"""}

agent = initialize_agent(tools, 
                         llm, 
                         agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, 
                         verbose=True, 
                         handle_parsing_errors=True,
                         agent_kwargs=agent_kwargs)

在此我们构建了个ReAct智能体。该智能体不仅能够执行任务推理，还能够通过接入外部信息的工具实现动态信息获取。以下是该智能体的提示词模板，涵盖了三个主要方面：

角色设定： 我们将大型语言模型定位为人力资源助理，赋予其在人力资源领域的专业角色。
可使用的工具： 我们提供了3个工具分别用于检索公司制度信息、查询员工信息以及算术运算。在这里，我们为这些工具提供了详细的描述信息，以确保大型语言模型清晰了解何时以及在何种情况下调用这些工具。
思考推理提示词： 主要是为了引导大模型在任务执行中进行逐步推理和思考，这种引导性的设计有助于提高智能体在实际应用中的决策质量。

以下是该智能体具体的提示词模版内容：

你作为一名专业的人力资源助理，你的任务是为员工周鹏提供关于员工信息、公司制度、休假和调休等相关信息的查询和解答服务。
在回答问题时，始终把员工作为甲方使用尊称“您”，体现对员工的尊重和礼貌。

你可以使用以下工具：


查询公司制度: 这是用于查询公司行政管理制度手册的工具，比如：休假、调休、出差等制度。
获取员工信息，包括：基本信息、工龄、加班等情况。: 
        此工具用于查询员工详细信息。输入参数：请查询员工[这里填入员工姓名]的信息并以JSON格式返回，JSON key为字段中文描述。
        
计算器: 此工具用于年假、调休等计算

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 [查询公司制度, 获取员工信息，包括：基本信息、工龄、加班等情况。, 计算器]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

Begin!

Question: {input}
Thought:{agent_scratchpad}

智能问答

在智能体创建完成之后，我们即可向智能体提出关于"周鹏"这个员工情况的查询。以下呈现了查询问题、相应智能体生成的推理步骤、查询SQL，以及返回结果的示例：

我的岗位和职级是？

> Entering new SQLDatabaseChain chain...
请查询员工周鹏的信息并以JSON格式返回，JSON key为岗位和职级描述。
SQLQuery:SELECT 
    CONCAT('{ "position_title": "', position_title, '", "position_level": "', position_level, '" }') AS employee_info
FROM 
    employee
WHERE 
    name = '周鹏';
SQLResult: [('{ "position_title": "Python开发工程师", "position_level": "高级" }',)]
Answer:Final answer here: {"position_title": "Python开发工程师", "position_level": "高级"}
> Finished chain.
{'input': '我的岗位和职级是？', 'output': '您的岗位是Python开发工程师，职级是高级。'}

我加班了多少小时？

> Entering new SQLDatabaseChain chain...
请查询员工周鹏的加班情况并以JSON格式返回，JSON key为加班信息。
SQLQuery:SELECT 
  CONCAT('{ "overtime_info": ', JSON_OBJECT('employee_id', employee_id, 'name', name, 'overtime_duration', overtime_duration, 'position_title', position_title), ' }') AS json_result
FROM 
  employee
WHERE 
  name = '周鹏';
SQLResult: [('{ "overtime_info": {"name": "周鹏", "employee_id": 5, "position_title": "Python开发工程师", "overtime_duration": 11} }',)]
Answer:{ "overtime_info": {"name": "周鹏", "employee_id": 5, "position_title": "Python开发工程师", "overtime_duration": 11} }
> Finished chain.
{'input': '我加班了多少小时？', 'output': '周鹏加班了11小时。'}

智能体工作机制

在上述案例中，我们观察到智能体通过推理能够精确判断执行步骤，并调用相关工具以回答用户提出的问题。以下将基于“我还剩下多少天休假？”这一查询示例，深入展示智能体的工作流程。

员工的剩余休假的计算公式为：员工的工龄所对应的年假天数 - 员工已用休假天数。该计算过程涉及查询员工工龄、公司休假政策以及员工已用休假天数等多方面信息。以下是智能体在执行此任务时具体遵循的流程图：

具体执行步骤如下：

用户通过向智能体提问“我还剩下多少天休假？”启动查询过程。
智能体将用户的问题作为输入，向ChatGPT请求下一步执行动作的指令。
执行ChatGPT返回的“获取员工信息”指令，通过调用数据查询工具获取员工的全部信息。
将用户提问和已获取的员工信息再次汇总，向ChatGPT请求下一步执行动作的指令。
执行ChatGPT返回的“查询公司休假制度”指令，获取公司休假相关的制度信息。
将用户提问、员工信息以及公司休假制度再次整合，向ChatGPT请求下一步执行动作的指令。
执行ChatGPT返回的“计算器”指令，应用计算逻辑计算员工的剩余休假天数。
将用户提问、员工信息、公司休假制度以及计算的剩余休假天数再次整合，向ChatGPT请求下一步执行动作的指令。
完成计算过程，将结果返回给用户，实现对“我还剩下多少天休假？”问题的全面回答。

以下是执行过程中的信息输出记录：

> Entering new AgentExecutor chain...
我需要先查询员工周鹏的休假信息。
Action: 获取员工信息
Action Input: 请查询员工周鹏的信息并以JSON格式返回，JSON key为字段中文描述。

> Entering new SQLDatabaseChain chain...
请查询员工周鹏的信息并以JSON格式返回，JSON key为字段中文描述。
SQLQuery:SELECT 
    JSON_OBJECT(
        '员工号', `employee_id`,
        '员工姓名', `name`,
        ......
    ) AS employee_info
FROM employee WHERE `name` = '周鹏' LIMIT 5;
SQLResult: [('{"职级": "高级", "部门": "产品研发部", "员工号": 5,"入职日期": "3/16/2016", "员工姓名": "周鹏"......')]
Answer:{"职级": "高级", "部门": "产品研发部", "员工号": 5, "入职日期": "3/16/2016", "员工姓名": "周鹏", 
        "岗位名称": "Python开发工程师", "工作年限": "15", "转正日期": "9/16/2016", "部门负责人": "赵敏", 
        "加班时长，单位小时": 11, "已经使用的年假天数": 7, "员工状态（试用期/合同）": "长期合同"}
> Finished chain.

Observation: {"职级": "高级", "部门": "产品研发部", "员工号": 5, "入职日期": "3/16/2016", "员工姓名": "周鹏"......}
Thought:根据员工信息，员工周鹏已经使用了7天年假，但我还需要知道他的年假总天数才能计算出剩余的年假天数。这需要查询公司的休假制度。
Action: 查询公司制度
Action Input: 请查询年假制度
Observation: [Document(page_content='劳动保护\n\n第六十五条 公司执行国家...', metadata={'source': '行政管理制度.txt'}), 
              Document(page_content='人力资源政策手册 - 休假政策\n1. 目...', metadata={'source': '行政管理制度.txt'}), 
              Document(page_content='4. 兑现：年底时，未使用的服务激励休...', metadata={'source': '行政管理制度.txt'}), 
              Document(page_content='话、邮件或书面等形式通知被录用者；...', metadata={'source': '行政管理制度.txt'})]
Thought:根据公司的休假制度，周鹏的工作年限超过10年但不满20年，所以他的年假总天数应该为10天。他已经使用了7天年假，剩余的年假天数应该可以通过计算得出。
Action: 计算器
Action Input: 10-7

> Entering new LLMMathChain chain...
10-7
...numexpr.evaluate("10 - 7")...

Answer: 3
> Finished chain.

Observation: Answer: 3
Thought:我现在知道最后的答案了。
Final Answer: 您剩余的年假天数为3天。

智能体示例：HR虚拟助理

引言​

示例说明​

功能说明​

整体结构​

代码实现​

智能体工具​

构建智能体​

智能问答​

智能体工作机制​

引言