[掌握工具链：通过AI扩展能力的深度指南]-CSDN博客

本文链接：https://blog.csdn.net/stjklkjhgffxw/article/details/144056943

# 掌握工具链：通过AI扩展能力的深度指南

## 引言

在现代人工智能和编程的世界中，工具链的使用极大地扩展了AI模型的功能。这不仅限于简单的文本输出，而是通过调用API、函数和数据库等工具，实现复杂计算和数据处理。这篇文章将带您了解如何创建工具链和智能代理，通过正确的提示和响应解析，让模型准确选择并调用合适的工具。

## 主要内容

### 1. 环境设置

首先，我们需要安装必要的软件包以便开始：

```bash
%pip install --upgrade --quiet langchain

此外，为了追踪和分析工具链的运行情况，你可以设置以下环境变量：

import getpass
import os

# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()

2. 创建一个工具

在使用工具链之前，我们需要创建一个工具。在本例中，我们将创建一个简单的数学乘法工具。

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

3. 创建简单的工具链

当我们知道需要固定次数调用工具时，可以创建一个直接的工具链来完成。例如，一个简单的乘法计算链：

multiply.invoke({"first_int": 4, "second_int": 5})
# 输出: 20

4. 智能代理和工具调用

工具调用API是与LLM结合使用工具的可靠方法。选择支持工具调用的模型，并将工具绑定到模型上。

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini")
llm_with_tools = llm.bind_tools([multiply])

5. 创建代理执行器

代理支持复杂的工具使用序列，我们可以让模型自行决定使用工具的次数和顺序。

from langchain.agents import AgentExecutor, create_tool_calling_agent

agent = create_tool_calling_agent(llm, [multiply, add, exponentiate])
agent_executor = AgentExecutor(agent=agent, tools=[multiply, add, exponentiate], verbose=True)

代码示例

以下是如何使用工具链和代理解决复杂数学问题的例子：

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"
    }
)