GPT实战系列-如何让LangChain的Agent选择工具

import getpass
import osos.environ["OPENAI_API_KEY"] = getpass.getpass()

定义Tools

同前篇所示，为了让Agent可以选，实现三个自定义工具 Tools，首先需要做一些配置初始化的工作，导入langchain相关的包。

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@tool
def add(first_int: int, second_int: int) -> int:"Add two integers."return first_int + second_int@tool
def exponentiate(base: int, exponent: int) -> int:"Exponentiate the base to the exponent power."return base**exponenttools = [multiply, add, exponentiate]

构建Prompt

实现代码，创建Prompt模版，配置大模型，以及输出解析函数。

from langchain import hub
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_openai import ChatOpenAIprompt = hub.pull("hwchase17/openai-tools-agent")

创建并调用Agent

把各碎片链接起来，建立Agent，

#引用OpenAI模型，创建代理
model = ChatOpenAI(model="gpt-3.5-turbo-1106", temperature=0)agent = create_openai_tools_agent(model, tools, prompt)# 执行
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)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"}
)

输出结果：

> Entering new AgentExecutor chain...
Invoking: `exponentiate` with `{'base': 3, 'exponent': 5}`
243Invoking: `add` with `{'first_int': 12, 'second_int': 3}`
15Invoking: `multiply` with `{'first_int': 243, 'second_int': 15}`
3645Invoking: `exponentiate` with `{'base': 3645, 'exponent': 2}`
13286025The result of raising 3 to the fifth power and multiplying that by the sum of twelve and three, then squaring the whole result is 13,286,025.> Finished chain.{'input': 'Take 3 to the fifth power and multiply that by the sum of twelve and three, then square the whole result','output': 'The result of raising 3 to the fifth power and multiplying that by the sum of twelve and three, then squaring the whole result is 13,286,025.'}

是不是很有趣？

LangChain是一个Python框架，可以使用LLMs构建应用程序。它与各种模块连接，使与LLM和提示管理，一切变得简单。

觉得有用 收藏 收藏 收藏

点个赞 点个赞 点个赞

End

GPT专栏文章：

GPT实战系列-实战Qwen通义千问在Cuda 12+24G部署方案_通义千问 ptuning-CSDN博客

GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案

GPT实战系列-Baichuan2本地化部署实战方案

GPT实战系列-让CodeGeeX2帮你写代码和注释_codegeex 中文-CSDN博客

GPT实战系列-ChatGLM3管理工具的API接口_chatglm3 api文档-CSDN博客

GPT实战系列-大话LLM大模型训练-CSDN博客

GPT实战系列-LangChain + ChatGLM3构建天气查询助手

GPT实战系列-大模型为我所用之借用ChatGLM3构建查询助手

GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(二)

GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(一)

GPT实战系列-ChatGLM2模型的微调训练参数解读

GPT实战系列-如何用自己数据微调ChatGLM2模型训练

GPT实战系列-ChatGLM2部署Ubuntu+Cuda11+显存24G实战方案

GPT实战系列-Baichuan2等大模型的计算精度与量化

GPT实战系列-GPT训练的Pretraining，SFT，Reward Modeling，RLHF

GPT实战系列-探究GPT等大模型的文本生成-CSDN博客