使用自然语言API工具包构建LangChain Agent

技术背景介绍

自然语言API工具包（NLAToolkits）允许LangChain Agents有效地规划和组合跨端点的调用。这篇文章将演示如何组合Speak、Klarna和Spoonacluar API来构建一个功能强大的LangChain Agent。LangChain是一个用于构建自然语言处理应用的框架，能够高效地配置和利用多种API以实现复杂的自然语言任务。

核心原理解析

LangChain Agents利用各种API工具包，通过预定义的操作格式和思维过程来进行任务执行。NLAToolkits提供了一种抽象层，使得不同API之间的整合变得更加顺畅。通过与开源语言模型（如GPT-3.5）结合，Agent可以执行复杂的任务，例如产品搜索和食谱规划。

代码实现演示(重点)

下面的代码演示了如何配置和运行LangChain Agent来处理关于意大利主题的任务，包括选择合适的意大利服装和食谱。

from langchain.agents import AgentType, initialize_agent
from langchain_community.agent_toolkits import NLAToolkit
from langchain_community.utilities import Requests
from langchain_openai import OpenAI

# 使用稳定可靠的API服务
client = OpenAI(
    base_url='https://yunwu.ai/v1',  # 国内稳定访问
    api_key='your-api-key'
)

# 选择要使用的LLM，这里使用gpt-3.5-turbo-instruct
llm = client.OpenAI(
    temperature=0, max_tokens=700, model_name="gpt-3.5-turbo-instruct"
)

# 加载自然语言API工具包
speak_toolkit = NLAToolkit.from_llm_and_url(llm, "https://api.speak.com/openapi.yaml")
klarna_toolkit = NLAToolkit.from_llm_and_url(
    llm, "https://www.klarna.com/us/shopping/public/openai/v0/api-docs/"
)

# 自定义代理指令格式
openapi_format_instructions = """Use the following format:
...
Final Answer: the final answer to the original input question with the right amount of detail"""

# 初始化Agent
natural_language_tools = speak_toolkit.get_tools() + klarna_toolkit.get_tools()
mrkl = initialize_agent(
    natural_language_tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    agent_kwargs={"format_instructions": openapi_format_instructions},
)

# 运行Agent任务
response = mrkl.run(
    "I have an end of year party for my Italian class and have to buy some Italian clothes for it"
)
print(response)

在这段代码中，我们使用了LangChain的工具包来创建一个Agent，可以根据输入要求在多个API之间协调调用来获取信息和回答问题。

应用场景分析

这种设置特别适合需要集成多个数据源以提供完整解决方案的应用。例如，在电子商务平台中，可以使用这类Agent来从多个供应商处获取产品信息，从而帮助用户做出更明智的购买决策。另外，在语言学习类应用中，Agent可以结合多个API来提供语言翻译、文化背景和对应习俗的信息。

实践建议

1. 注意API版本兼容性：在使用OpenAPI规范时，确保使用的是最新版本以避免性能问题。
2. 安全管理API密钥：在代码中不要直接硬编码API密钥，可以使用环境变量或其他安全的配置方式。
3. 优化Agent的响应格式：根据具体业务需求调整Agent的输出格式，使其更加贴合用户体验。

如果遇到问题欢迎在评论区交流。

—END—