Toolkits工具箱
Toolkits概述:
定义: Toolkits是为特定任务设计的工具集合,它们具有方便的加载方法。
目的: 用于执行特定的任务,比如文本分析、图像生成等。
使用: 通过get_tools方法可以获取toolkit中的所有工具列表。
使用Toolkits
# 初始化Toolkit: 通过传递所需的参数来创建toolkit的实例。
toolkit = ExampleToolkit(...)
# 获取工具列表: 使用get_tools方法从toolkit实例中获取工具列表。
tools = toolkit.get_tools()
# 创建Agent: 利用获取的工具列表和其他必要参数(如LLM模型、提示等)来创建一个agent
agent = create_agent_method(llm, tools, prompt)
工具箱列表
以下是一部分常见、更实用的工具箱,每个工具箱中都有一系列工具。更多工具箱参考:官方文档
工具名称 | 中文说明 |
---|---|
Amadeus Toolkit | 将 LangChain 连接到 Amadeus 旅行信息 API |
Azure Cognitive Services Toolkit | 与Azure Cognitive Services API交互,以实现一些多模态功能 |
CSV Agent | 用代理与 CSV 互动 |
Document Comparison | 使用代理比较文件 |
GitHub Toolkit | GitHub 工具箱包含使LLM 代理与 GitHub 存储库互动的工具,这些工具是 PyGitHub 库的封装 |
Gmail Toolkit | 将 LangChain 电子邮件连接到 Gmail API |
Jira | Jira 工具箱 |
JSON Agent | 与大型JSON/dict 对象互动的代理 |
MultiOn Toolkit | 将 LangChain 连接到你浏览器中的MultiOn 客户端 |
Office365 Toolkit | 将 LangChain 连接到 Office365 电子邮件和日历等 |
Pandas Dataframe Agent | 与Pandas Dataframe 互动的代理 |
PlayWright Browser Toolkit | 通过浏览器导航 Web 并与动态渲染的网站互动 |
PowerBI Dataset Agent | 用于与 PowerBI 数据集互动的代理 |
Python Agent | 用于编写并执行 Python 代码以回答问题的代理 |
Spark Dataframe Agent | 与Spark Dataframe 和 Spark Connect 互动的代理 |
Spark SQL Agent | 与Spark SQL 互动的代理 |
SQL Database Agent | 与SQL 数据库互动的代理 |
Vectorstore Agent | 从一个或多个Vectorstore 检索信息的代理 |
Xorbits Agent | 与Xorbits Pandas Dataframe 互动的代理 |
使用Gmail工具箱
通过Gmail工具箱,可以通过LangChain应用查询邮件、删除垃圾邮件,甚至让它帮你撰写邮件等操作。
Gmail API配置
访问[Gmail API的Python快速入门] ,根据文档说明进行相关配置操作。
1.[创建项目并基于该项目进行操作
2.启用Gmail AP 3.配置 OAuth 权限请求页面
注意:这里需要添加相关权限,并且这里权限列表有分页
,一定要勾选全部授权
4.为桌面应用授权凭据,注意下载JSON文件,并重命名为credentials.json
5.安装Python版Google客户端库
pip install --upgrade google-api-python-client google-auth-httplib2 google-auth-oauthlib
6.创建一个名为quickstart.py的文件
import os.path
from google.auth.transport.requests import Request
from google.oauth2.credentials import Credentials
from google_auth_oauthlib.flow import InstalledAppFlow
from googleapiclient.discovery import build
from googleapiclient.errors import HttpError
# If modifying these scopes, delete the file token.json.
SCOPES = ["https://www.googleapis.com/auth/gmail.readonly"]
def main():
"""Shows basic usage of the Gmail API.
Lists the user's Gmail labels.
"""
creds = None
# The file token.json stores the user's access and refresh tokens, and is
# created automatically when the authorization flow completes for the first
# time.
if os.path.exists("token.json"):
creds = Credentials.from_authorized_user_file("token.json", SCOPES)
# If there are no (valid) credentials available, let the user log in.
if not creds or not creds.valid:
if creds and creds.expired and creds.refresh_token:
creds.refresh(Request())
else:
flow = InstalledAppFlow.from_client_secrets_file(
"credentials.json", SCOPES
)
creds = flow.run_local_server(port=0)
# Save the credentials for the next run
with open("token.json", "w") as token:
token.write(creds.to_json())
try:
# Call the Gmail API
service = build("gmail", "v1", credentials=creds)
results = service.users().labels().list(userId="me").execute()
labels = results.get("labels", [])
if not labels:
print("No labels found.")
return
print("Labels:")
for label in labels:
print(label["name"])
except HttpError as error:
# TODO(developer) - Handle errors from gmail API.
print(f"An error occurred: {error}")
if __name__ == "__main__":
main()
7.将credentials.json文件放到与quickstart.py文件同目录下,执行如下命令,根据密钥生成开发Token,会自动打开浏览器
python3 quickstart.py
8.根据提示授予访问权限,然后最终在quickstart.py文件同目录下生成token.json
文件
开发Gmail App
连接到Gmail API,查询用户的邮件,并通过LangChain的Agent框架智能化地调用API(用语言而不是具体API),与邮件进行互动。
创建工具包
默认情况下,工具包读取本地 credentials.json 文件。
# 导入与Gmail交互所需的工具包
from langchain_community.agent_toolkits import GmailToolkit
# 初始化Gmail工具包
toolkit = GmailToolkit()
自定义身份验证
使用以下方法创建 googleapi 资源。可以手动构建 googleapi 资源以进行更多身份验证控制。
# 从gmail工具中导入
from langchain_community.tools.gmail import get_gmail_credentials
from langchain_community.tools.gmail.utils import build_resource_service
# 获取Gmail API的凭证,并指定相关的权限范围
credentials = get_gmail_credentials(
token_file="token.json", # Token文件路径
scopes=["https://mail.google.com/"], # 具有完全的邮件访问权限
client_secrets_file="credentials.json", # 客户端的秘密文件路径
)
# 使用凭证构建API资源服务
api_resource = build_resource_service(credentials=credentials)
toolkit = GmailToolkit(api_resource=api_resource)
# 获取工具
tools = toolkit.get_tools()
print(tools)
[GmailCreateDraft(api_resource=<googleapiclient.discovery.Resource object at 0x000002212A24BBB0>),
GmailSendMessage(api_resource=<googleapiclient.discovery.Resource object at 0x000002212A24BBB0>),
GmailSearch(api_resource=<googleapiclient.discovery.Resource object at 0x000002212A24BBB0>),
GmailGetMessage(api_resource=<googleapiclient.discovery.Resource object at 0x000002212A24BBB0>),
GmailGetThread(api_resource=<googleapiclient.discovery.Resource object at 0x000002212A24BBB0>)]
初始化Agent
# 导入与聊天模型相关的包
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_functions_agent
# 初始化聊天模型
llm = ChatOpenAI(temperature=0, model='gpt-4')
# 获取要使用的提示
instructions = """You are an assistant."""
base_prompt = hub.pull("langchain-ai/openai-functions-template")
prompt = base_prompt.partial(instructions=instructions)
# 初始化agent
agent = create_openai_functions_agent(llm, tools, prompt)
# 通过传入代理和工具创建代理执行程序
agent_executor = AgentExecutor(
agent=agent, tools=tools, verbose=True, handle_parsing_errors=True
)
运行Agent
查询最新邮件
# 使用agent运行一些查询或指令
result = agent_executor.invoke({"input": "未读邮件有几封?最新的邮件是谁发给我的?"})
# 打印结果
print(result)
查看Gamil邮箱
执行日志如下:
发送邮件
# 使用agent运行一些查询或指令
result = agent_executor.invoke({"input": "向邮箱:xxx@qq.com发送邮件。邮件主题:Gmail Agent Test 邮件内容: 进行Gmail Tools Test."})
# 打印结果
print(result)
出现异常:
Exception: An error occurred: <HttpError 403 when requesting https://gmail.googleapis.com/gmail/v1/users/me/messages/send?alt=json returned "Request had insufficient authentication scopes.". Details: "[{'message': 'Insufficient Permission', 'domain': 'global', 'reason': 'insufficientPermissions'}]">
经过一番折腾,直到查看上面生成Token的quickstart.py
文件代码,才发现一个关键点:
# If modifying these scopes, delete the file token.json.
SCOPES = ["https://www.googleapis.com/auth/gmail.readonly"]
保持怀疑猜测态度,查看添加的权限,发现生成Token时,代码中SCOPES只是配置了readonly
这里需要发送邮件,因此解决办法如下,添加相应权限
SCOPES = ["https://www.googleapis.com/auth/gmail.readonly","https://www.googleapis.com/auth/gmail.send"]
注意:需要删除token.json,然后重新执行代码生成token.json文件
再次执行,日志如下 查看收件箱
注意
TimeoutError
TimeoutError异常日志如下:
TimeoutError: [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应,连接尝试失败。
分析:
1.Gmail API调用,需要访问国外服务器,出现此异常正常,但是我这里使用了Proxy,不应该出现才对。
2.对于Python,目前只是能用,谈不上精通,简单查看了源代码,我想修改相应代码配置Proxy可以解决
这里开启了Proxy软件的一个Tun模式
解决了该问题
SCOPES权限不足
在执行相关命令时,可能出现权限不足的问题,此时需要查看添加权限信息,并在生成Token的代码文件的中SCOPES添加相应权限,然后删除token.json,然后再次授权生成token.json。具体参考上面发送邮件遇到异常的处理
权限不足异常提示
Exception: An error occurred: <HttpError 403 when requesting https://gmail.googleapis.com/gmail/v1/users/me/messages/send?alt=json returned "Request had insufficient authentication scopes.". Details: "[{'message': 'Insufficient Permission', 'domain': 'global', 'reason': 'insufficientPermissions'}]">
添加相应权限
# If modifying these scopes, delete the file token.json.
SCOPES = [
# 在该插件运行时查看您的电子邮件
"https://www.googleapis.com/auth/gmail.readonly",
# 代表您发送电子邮件
"https://www.googleapis.com/auth/gmail.send"
]
Token限制
在使用Agent执行指令时,最好添加限制约束,否则将出现Token上限问题。
openai.BadRequestError: Error code: 400 - {'error': {'message': "This model's maximum context length is 8192 tokens. However, your messages resulted in 8486 tokens (7985 in the messages, 501 in the functions). Please reduce the length of the messages or functions. (request id: 20240412160742577297722dQQe4WVJ)", 'type': 'invalid_request_error', 'param': 'messages', 'code': 'context_length_exceeded'}}
如何学习AI大模型?
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓