前言
利用langchain快速实现一个使用tool的agent
langchain agent相关的文章
以下都值得花时间看看
- 提供的内置tools:https://python.langchain.com/v0.2/docs/integrations/tools/
- agent的类型:https://python.langchain.com/v0.1/docs/modules/agents/agent_types/
-
agent类:https://api.python.langchain.com/en/latest/agents/langchain.agents.agent.AgentExecutor.html
-
tool类:https://api.python.langchain.com/en/latest/tools/langchain_core.tools.BaseTool.html#langchain_core.tools.BaseTool
-
自定义tools:https://python.langchain.com/v0.2/docs/how_to/custom_tools/
-
tool的集合:https://api.python.langchain.com/en/latest/tools/langchain_core.tools.BaseToolkit.html#langchain_core.tools.BaseToolkit
自定义tool
主要有两种方式
继承baseTool
from typing import Type, Optional
from langchain_core.tools import BaseTool
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain.tools import tool
class AddInput(BaseModel):
a: int = Field(description="first number")
b: int = Field(description="second number")
class AddTool(BaseTool):
name = "add"
description = "Adds two numbers together"
args_schema: Optional[Type[BaseModel]] = AddInput
return_direct: bool = True
def _run(
self, a: int, b: int,
) -> int:
return a + b
add_tool = AddTool()
print(add_tool.name)
print(add_tool.description)
print(add_tool.args)
输出
add
Adds two numbers together
{'a': {'title': 'A', 'description': 'first number', 'type': 'integer'}, 'b': {'title': 'B', 'description': 'second number', 'type': 'integer'}}
可以看下BaseTool这个基类, 就豁然开朗,知道咋用了:
-
name tool的名字,最好直接清晰的表达目的
-
description 主要作用就是描述如何为何要用这个tool, 让llm知道什么时间用这个tool,可以加入一些few shot example
-
args_schema:tool的输入参数
其中只有一个abstract method:
这里实现tool的主要逻辑
tool装饰器
还有一种更为简单的方式来定义tool,直接用装饰器
@tool
def add(a: int, b: int) -> int:
"""Adds two numbers together"""
return a + b
print(add.name)
print(add.description)
print(add.args)
这里直接会把a和b参数进行包装,且"""之间的即为 description
输出:
add
Adds two numbers together
{'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}
math agent example
实现一个可以做一些数学题的agent
这里只实现两个tool,一个是+一个是✖️
@tool
def add(a: int, b: int) -> int:
"""Adds two numbers together"""
return a + b
@tool
def multipy(a: int, b: int) -> int:
"""Multiply two numbers"""
return a * b
定义好tool之后,可以将tool按照toolkit进行管理
class MathToolkit(BaseToolkit):
def get_tools(self) -> list[BaseAgentTool]:
return [
add,
multipy
]
之后完成后面几步,就可以和agent进行沟通了,加上前面的步骤,主要需要实现:
-
定义tool
-
用toolkit进行分类管理
-
实例化llm
-
创建prompt
-
利用tool + llm + prompt创建agent
-
利用agent + tool创建agent executor
from typing import Type, Optional, List, Callable, Any
from docmesh_agent.tools.base import BaseAgentTool
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.tools import tool
from langchain_core.tools import BaseToolkit
@tool
def add(a: int, b: int) -> int:
"""Adds two numbers together"""
return a + b
@tool
def multipy(a: int, b: int) -> int:
"""Multiply two numbers"""
return a * b
class MathToolkit(BaseToolkit):
def get_tools(self) -> list[BaseAgentTool]:
return [
add,
multipy
]
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-2024-05-13")
prompt = ChatPromptTemplate.from_messages(
[
("system", """
You are a mathematical assistant. Use your tools to answer questions.
If you do not have a tool to answer the question, say so.
Return only the answers. e.g
Human: What is 1 + 1?
You: 2
"""),
MessagesPlaceholder("chat_history", optional=True),
("human", "{input}"),
MessagesPlaceholder("agent_scratchpad"),
]
)
tools = [
*MathToolkit().get_tools()
]
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({"input": "what is (1 + 3) * 6"})
print(result)
这里prompt设计,如果其他问题会拒答,得不到答案,按照目前的执行,打印log:
如果问一个非数学问题:
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({"input": "What is the time now ?"})
print(result)
最后的最后
感谢你们的阅读和喜欢,我收藏了很多技术干货,可以共享给喜欢我文章的朋友们,如果你肯花时间沉下心去学习,它们一定能帮到你。
因为这个行业不同于其他行业,知识体系实在是过于庞大,知识更新也非常快。作为一个普通人,无法全部学完,所以我们在提升技术的时候,首先需要明确一个目标,然后制定好完整的计划,同时找到好的学习方法,这样才能更快的提升自己。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
大模型知识脑图
为了成为更好的 AI大模型 开发者,这里为大家提供了总的路线图。它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
经典书籍阅读
阅读AI大模型经典书籍可以帮助读者提高技术水平,开拓视野,掌握核心技术,提高解决问题的能力,同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说,阅读经典书籍是非常有必要的。
实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
面试资料
我们学习AI大模型必然是想找到高薪的工作,下面这些面试题都是总结当前最新、最热、最高频的面试题,并且每道题都有详细的答案,面试前刷完这套面试题资料,小小offer,不在话下
640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】