将LangChain Runnables 转化为强大的工具：完整指南

aehrutktrjk

于 2024-09-26 03:02:45 发布

阅读量225

点赞数 2

文章标签： langchain linux windows python

本文链接：https://blog.csdn.net/aehrutktrjk/article/details/142536815

版权

# 将LangChain Runnables 转化为强大的工具：完整指南

## 引言

在现代AI和编程开发中，LangChain提供了一种强大的工具体系，可以帮助开发者高效地构建智能应用。本篇文章将探讨如何将LangChain中的Runnables转化为工具，使其能够被代理、链和聊天模型使用。通过系统的讲解和代码示例，你将学会如何灵活使用这些工具，并了解潜在的挑战和解决方案。

## 主要内容

### 什么是LangChain工具

LangChain工具是供代理、链或聊天模型与外部世界交互的接口。工具的使用受以下限制：

- 输入需要是可序列化的类型，比如字符串和Python字典对象；
- 工具需要有明确的名称和描述，以便语言模型正确调用；
- 详细的参数模式（args_schema）用于指定字典输入所需的具体键和类型信息。

### 将Runnable转换为工具

Runnables可以通过`as_tool`方法转换为工具，并指定名称、描述和参数模式信息。

#### 基本用法

下面的例子展示了如何将一个使用Typeddict输入的Runnable转换为工具：

```python
from typing import List
from langchain_core.runnables import RunnableLambda
from typing_extensions import TypedDict

class Args(TypedDict):
    a: int
    b: List[int]

def f(x: Args) -> str:
    return str(x["a"] * max(x["b"]))

runnable = RunnableLambda(f)
as_tool = runnable.as_tool(
    name="My tool",
    description="Explanation of when to use tool.",
)

print(as_tool.description)

这个工具可以用来执行指定的算法逻辑，并定义了输入参数的schema。

无类型信息的Runnables

若没有明确的类型信息，可以通过arg_types参数来指定：

from typing import Any, Dict

def g(x: Dict[str, Any]) -> str:
    return str(x["a"] * max(x["b"]))

runnable = RunnableLambda(g)
as_tool = runnable.as_tool(
    name="My tool",
    description="Explanation of when to use tool.",
    arg_types={"a": int, "b": List[int]},
)

作为代理应用工具

为代理应用工具，首先实例化一个支持工具调用的聊天模型，如OpenAI、Anthropic等。以下代码以OpenAI的ChatOpenAI为例：

import getpass
import os
from langchain_openai import ChatOpenAI

os.environ["OPENAI_API_KEY"] = getpass.getpass()

llm = ChatOpenAI(model="gpt-4o-mini")

# 使用API代理服务提高访问稳定性

接着，我们可以通过创建一个简单的LangGraph agent，将LangChain工具应用于实际问答场景中。

代码示例

以下是一个完整的代码示例，展示如何创建并使用LangChain工具：

from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings

# 创建文档和向量存储
documents = [
    Document(page_content="Dogs are great companions, known for their loyalty and friendliness."),
    Document(page_content="Cats are independent pets that often enjoy their own space."),
]

vectorstore = InMemoryVectorStore.from_documents(documents, embedding=OpenAIEmbeddings())

retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 1})

# 将检索器作为工具使用
tools = [
    retriever.as_tool(
        name="pet_info_retriever",
        description="Get information about pets.",
    )
]

# 创建代理并调用工具
from langgraph.prebuilt import create_react_agent
agent = create_react_agent(llm, tools)

for chunk in agent.stream({"messages": [("human", "What are dogs known for?")]}):
    print(chunk)
    print("----")