AI创想

标题: 1. langchain中的tool使用 (How to create tools) [打印本页]

---

作者: 云端714    时间: 昨天 21:49
标题: 1. langchain中的tool使用 (How to create tools)
作者：CSDN博客
本教程将介绍如何使用 LangChain 库中的工具（Tool）功能。通过一系列示例代码，我们将展示如何定义、使用和扩展工具。
1. 定义简单的工具

首先，我们从定义一个简单的乘法工具开始。

1. from langchain_core.tools import tool
3. @tooldefmultiply(a:int, b:int)->int:"""Multiply two numbers."""return a * b
5. # 查看工具的属性print(multiply.name)print(multiply.description)print(multiply.args)

复制代码

输出：

1. multiply
2. Multiply two numbers.
3. {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}

复制代码

解释

@tool 装饰器用于将函数定义为一个工具。multiply 函数接受两个整数参数 a 和 b，返回它们的乘积。通过打印工具的属性，我们可以看到工具的名称、描述和参数信息。

2. 定义异步工具

接下来，我们定义一个异步的乘法工具。

1. from langchain_core.tools import tool
3. @toolasyncdefamultiply(a:int, b:int)->int:"""Multiply two numbers."""return a * b

复制代码

解释

使用 async 关键字定义异步函数 amultiply。其他部分与同步工具定义相同。

3. 使用注解定义工具参数

我们可以使用注解来更详细地描述工具的参数。

1. from typing import Annotated, List
3. @tooldefmultiply_by_max(
4.     a: Annotated[str,"scale factor"],
5.     b: Annotated[List[int],"list of ints over which to take maximum"],)->int:"""Multiply a by the maximum of b."""return a *max(b)print(multiply_by_max.args_schema.schema())

复制代码

输出：

1. {'description': 'Multiply a by the maximum of b.',
2. 'properties': {'a': {'description': 'scale factor',
3.    'title': 'A',
4.    'type': 'string'},
5.   'b': {'description': 'list of ints over which to take maximum',
6.    'items': {'type': 'integer'},
7.    'title': 'B',
8.    'type': 'array'}},
9. 'required': ['a', 'b'],
10. 'title': 'multiply_by_max',
11. 'type': 'object'}

复制代码

解释

使用 Annotated 类型注解来添加参数的描述。multiply_by_max 函数接受一个字符串 a 和一个整数列表 b，返回 a 与 b 中最大值的乘积。通过打印参数模式（schema），我们可以看到详细的参数描述。

4. 使用 Pydantic 定义工具参数

我们可以使用 Pydantic 库来更严格地定义工具的参数。

1. from pydantic import BaseModel, Field
3. classCalculatorInput(BaseModel):
4.     a:int= Field(description="first number")
5.     b:int= Field(description="second number")@tool("multiplication-tool", args_schema=CalculatorInput, return_direct=True)defmultiply(a:int, b:int)->int:"""Multiply two numbers."""return a * b
7. # 查看工具的属性print(multiply.name)print(multiply.description)print(multiply.args)print(multiply.return_direct)

复制代码

输出：

1. multiplication-tool
2. Multiply two numbers.
3. {'a': {'description': 'first number', 'title': 'A', 'type': 'integer'}, 'b': {'description': 'second number', 'title': 'B', 'type': 'integer'}}
4. True

复制代码

解释

使用 Pydantic 的 BaseModel 和 Field 来定义参数模型 CalculatorInput。multiply 工具使用 CalculatorInput 作为参数模式，并设置 return_direct=True 表示直接返回结果。通过打印工具的属性，我们可以看到详细的工具信息。

5. 自动解析文档字符串

我们可以让 LangChain 自动解析函数的文档字符串来生成参数模式。

1. @tool(parse_docstring=True)deffoo(bar:str, baz:int)->str:"""The foo.
3.     Args:
4.         bar: The bar.
5.         baz: The baz.
6.     """return bar
8. print(foo.args_schema.schema())

复制代码

输出：

1. {'description': 'The foo.',
2. 'properties': {'bar': {'description': 'The bar.',
3.    'title': 'Bar',
4.    'type': 'string'},
5.   'baz': {'description': 'The baz.', 'title': 'Baz', 'type': 'integer'}},
6. 'required': ['bar', 'baz'],
7. 'title': 'foo',
8. 'type': 'object'}

复制代码

解释

使用 parse_docstring=True 参数，LangChain 会自动解析函数的文档字符串来生成参数模式。foo 函数接受一个字符串 bar 和一个整数 baz，返回 bar。

6. 使用 StructuredTool

我们可以使用 StructuredTool 来创建工具实例。

1. from langchain_core.tools import StructuredTool
3. defmultiply(a:int, b:int)->int:"""Multiply two numbers."""return a * b
5. asyncdefamultiply(a:int, b:int)->int:"""Multiply two numbers."""return a * b
7. calculator = StructuredTool.from_function(func=multiply, coroutine=amultiply)print(calculator.invoke({"a":2,"b":3}))print(await calculator.ainvoke({"a":2,"b":5}))

复制代码

输出：

1. 6
2. 10

复制代码

解释

StructuredTool.from_function 方法用于从同步和异步函数创建工具实例。invoke 方法用于同步调用工具，ainvoke 方法用于异步调用工具。

7. 自定义工具

我们可以自定义工具类。

1. classCalculatorInput(BaseModel):
2.     a:int= Field(description="first number")
3.     b:int= Field(description="second number")defmultiply(a:int, b:int)->int:"""Multiply two numbers."""return a * b
5. calculator = StructuredTool.from_function(
6.     func=multiply,
7.     name="Calculator",
8.     description="multiply numbers",
9.     args_schema=CalculatorInput,
10.     return_direct=True,)print(calculator.invoke({"a":2,"b":3}))print(calculator.name)print(calculator.description)print(calculator.args)

复制代码

输出：

1. 6
2. Calculator
3. multiply numbers
4. {'a': {'description': 'first number', 'title': 'A', 'type': 'integer'}, 'b': {'description': 'second number', 'title': 'B', 'type': 'integer'}}

复制代码

解释

使用 StructuredTool.from_function 方法创建自定义工具实例。可以指定工具的名称、描述、参数模式和是否直接返回结果。

8. 将链式调用转换为工具

我们可以将链式调用转换为工具。

1. from langchain_core.language_models import GenericFakeChatModel
2. from langchain_core.output_parsers import StrOutputParser
3. from langchain_core.prompts import ChatPromptTemplate
5. prompt = ChatPromptTemplate.from_messages([("human","Hello. Please respond in the style of {answer_style}.")])# 占位符 LLM
6. llm = GenericFakeChatModel(messages=iter(["hello matey"]))
8. chain = prompt | llm | StrOutputParser()
10. as_tool = chain.as_tool(
11.     name="Style responder", description="Description of when to use tool.")print(as_tool.args)

复制代码

输出：

1. {'answer_style': {'title': 'Answer Style', 'type': 'string'}}

复制代码

解释

使用 ChatPromptTemplate 创建提示模板。使用 GenericFakeChatModel 作为占位符语言模型。将提示模板、语言模型和输出解析器链式调用，并转换为工具。

9. 处理工具错误

我们可以定义工具错误处理。

1. defget_weather(city:str)->int:"""Get weather for the given city."""raise ToolException(f"Error: There is no city by the name of {city}.")
3. get_weather_tool = StructuredTool.from_function(
4.     func=get_weather,
5.     handle_tool_error=True,)print(get_weather_tool.invoke({"city":"foobar"}))

复制代码

输出：

1. Error: There is no city by the name of foobar.

复制代码

解释

get_weather 函数抛出 ToolException。使用 handle_tool_error=True 参数，工具会自动处理错误并返回错误信息。

10. 自定义错误信息

我们可以自定义工具错误信息。

1. get_weather_tool = StructuredTool.from_function(
2.     func=get_weather,
3.     handle_tool_error="There is no such city, but it's probably above 0K there!",)print(get_weather_tool.invoke({"city":"foobar"}))

复制代码

输出：

1. "There is no such city, but it's probably above 0K there!"

复制代码

解释

使用 handle_tool_error 参数自定义错误信息。

11. 生成随机数工具

我们可以定义生成随机数的工具。

1. import random
2. from typing import List, Tuple
4. @tool(response_format="content_and_artifact")defgenerate_random_ints(min:int,max:int, size:int)-> Tuple[str, List[int]]:"""Generate size random ints in the range [min, max]."""
5.     array =[random.randint(min,max)for _ inrange(size)]
6.     content =f"Successfully generated array of {size} random ints in [{min}, {max}]."return content, array
8. print(generate_random_ints.invoke({"min":0,"max":9,"size":10}))

复制代码

输出：

1. 'Successfully generated array of 10 random ints in [0, 9].'

复制代码

解释

generate_random_ints 函数生成指定范围内的随机整数列表。使用 response_format="content_and_artifact" 参数，工具返回内容和结果列表。

12. 带有工具调用的生成随机数

我们可以使用工具调用格式生成随机数。

1. print(generate_random_ints.invoke({"name":"generate_random_ints","args":{"min":0,"max":9,"size":10},"id":"123",# required"type":"tool_call",# required}))

复制代码

输出：

1. ToolMessage(content='Successfully generated array of 10 random ints in [0, 9].', name='generate_random_ints', tool_call_id='123', artifact=[0, 4, 2, 7, 4, 3, 1, 7, 5, 1])

复制代码

解释

使用工具调用格式，工具返回 ToolMessage 对象，包含内容和结果列表。

13. 生成随机浮点数工具

我们可以定义生成随机浮点数的工具。

1. from langchain_core.tools import BaseTool
3. classGenerateRandomFloats(BaseTool):
4.     name:str="generate_random_floats"
5.     description:str="Generate size random floats in the range [min, max]."
6.     response_format:str="content_and_artifact"
8.     ndigits:int=2def_run(self,min:float,max:float, size:int)-> Tuple[str, List[float]]:
9.         range_ =max-min
10.         array =[round(min+(range_ * random.random()), ndigits=self.ndigits)for _ inrange(size)]
11.         content =f"Generated {size} floats in [{min}, {max}], rounded to {self.ndigits} decimals."return content, array
13. rand_gen = GenerateRandomFloats(ndigits=4)print(rand_gen.invoke({"name":"generate_random_floats","args":{"min":0.1,"max":3.3333,"size":3},"id":"123","type":"tool_call",}))

复制代码

输出：

1. ToolMessage(content='Generated 3 floats in [0.1, 3.3333], rounded to 4 decimals.', name='generate_random_floats', tool_call_id='123', artifact=[2.033, 2.6058, 2.5919])

复制代码

解释

GenerateRandomFloats 类定义了一个生成随机浮点数的工具。使用 _run 方法实现工具的逻辑。通过工具调用格式，返回 ToolMessage 对象，包含内容和结果列表。

通过以上示例，我们展示了如何使用 LangChain 库中的工具功能，包括定义工具、使用注解和 Pydantic、处理错误、生成随机数等。希望这些示例能帮助你更好地理解和应用 LangChain 工具。
参考链接：https://python.langchain.com/docs/how_to/custom_tools/

原文地址：https://blog.csdn.net/qq_41472205/article/details/144141262

---

欢迎光临 AI创想 (https://www.llms-ai.com/)

Powered by Discuz! X3.4