探索工具链与代理的使用：扩展你的AI模型能力-优快云博客

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/142907647

# 探索工具链与代理的使用：扩展你的AI模型能力

## 引言

在现代AI应用中，仅仅依靠模型输出文本已无法满足复杂任务的需求。通过调用工具（如API、函数、数据库等），我们可以大大扩展模型的能力。本篇文章将带你一步步了解如何创建工具链和代理，以更好地调用这些工具。

## 主要内容

### 1. 准备环境

首先，我们需要安装必要的包：

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

如果你想使用LangSmith跟踪调用过程，可以设置环境变量：

import getpass
import os

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

2. 创建工具

我们将通过一个简单的函数创建一个工具，作为示例：

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

# 查看工具信息
print(multiply.name)
print(multiply.description)
print(multiply.args)

# 调用示例
multiply.invoke({"first_int": 4, "second_int": 5})

3. 使用工具链

我们可以创建一个固定次数调用工具的链。例如：

from operator import itemgetter

chain = llm_with_tools | (lambda x: x.tool_calls[0]["args"]) | multiply
result = chain.invoke("What's four times 23")
print(result)

4. 构建代理

代理可以根据输入动态决定使用工具的次数和顺序：

from langchain.agents import AgentExecutor, create_tool_calling_agent

@tool
def add(first_int: int, second_int: int) -> int:
    return first_int + second_int

@tool
def exponentiate(base: int, exponent: int) -> int:
    return base ** exponent

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

# 调用
result = 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"
})
print(result)