为聊天机器人添加工具：创建可调用工具的智能代理-优快云博客

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/148924059

在AI技术不断发展的今天，聊天机器人已经超越了简单的问答功能，成为可以与其他系统和API交互的强大工具。在本文中，我们将介绍如何为聊天机器人添加工具，使其能够使用外部资源，如网络搜索工具来增强其功能。

技术背景介绍

随着AI能力的增强，开发人员希望聊天机器人不仅能够与用户进行对话，还能够实时地从互联网或其他数据源获取信息。这种能力通常是通过集成各种工具实现的。我们将使用一个工具调用代理来演示这个过程，其核心是一个用于网页搜索的工具。

核心原理解析

工具调用代理的核心思想是通过聊天模型与工具协作，以处理用户查询，只有在必要时使用工具。我们将使用 Tavily，一个强大的搜索工具，通过集成 OpenAI API 提供智能对话能力。

代码实现演示

环境设置

要开始，首先需要安装相关的Python包：

%pip install --upgrade --quiet langchain-community langchain-openai tavily-python

然后，设置环境变量或从 .env 文件加载API密钥：

import dotenv

dotenv.load_dotenv()

确保设置了 OPENAI_API_KEY 和 TAVILY_API_KEY。

创建代理

我们的目标是创建一个可以根据需要查找信息的智能代理。首先，我们初始化Tavily工具和OpenAI聊天模型：

from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_openai import ChatOpenAI

tools = [TavilySearchResults(max_results=1)]  # 设置最大搜索结果数为1

chat = ChatOpenAI(model="gpt-3.5-turbo-1106", temperature=0)  # 稳定流行的语言模型

接下来，我们设置一个包含聊天历史占位符的提示模板：

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a helpful assistant. You may not need to use tools for every query - the user may just want to chat!"),
        ("placeholder", "{messages}"),
        ("placeholder", "{agent_scratchpad}"),
    ]
)

将代理组装起来：

from langchain.agents import AgentExecutor, create_tool_calling_agent

agent = create_tool_calling_agent(chat, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

运行代理

我们的代理现在可以处理简单和复杂的查询，下面是一个简单对话的示例：

from langchain_core.messages import HumanMessage

agent_executor.invoke({"messages": [HumanMessage(content="I'm Nemo!")]})

对于需要查找的信息：

agent_executor.invoke(
    {
        "messages": [
            HumanMessage(
                content="What is the current conservation status of the Great Barrier Reef?"
            )
        ],
    }
)

支持会话响应

我们的代理可以基于历史对话进行响应：

from langchain_core.messages import AIMessage, HumanMessage

agent_executor.invoke(
    {
        "messages": [
            HumanMessage(content="I'm Nemo!"),
            AIMessage(content="Hello Nemo! How can I assist you today?"),
            HumanMessage(content="What is my name?"),
        ],
    }
)

如果需要管理消息历史：

from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

demo_ephemeral_chat_history_for_chain = ChatMessageHistory()

conversational_agent_executor = RunnableWithMessageHistory(
    agent_executor,
    lambda session_id: demo_ephemeral_chat_history_for_chain,
    input_messages_key="messages",
    output_messages_key="output",
)