Ejen AI dengan LangChain dan Aliran Kerja Autonomi · Pelajaran

Mencipta Alatan LangChain Tersuai

Bangunkan dan sepadukan alatan khusus anda sendiri untuk meluaskan fungsi ejen melangkaui pilihan sedia bina.

Pelajaran 1 daripada 411 langkah

Mencipta Alatan LangChain Tersuai ialah pelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi percuma di CoddyKit. Ini ialah pelajaran 1 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Ejen AI dengan LangChain dan Aliran Kerja Autonomi merangkumi sejumlah 4 pelajaran.

Luaskan Keupayaan Ejen

Ejen AI memang berkuasa, tetapi kadangkala perlu melakukan tindakan khusus yang tidak disediakan oleh alat standard. Di sinilah alat tersuai diperlukan!

Alat tersuai membolehkan ejen anda berinteraksi dengan API unik, pangkalan data proprietari atau melakukan pengiraan khusus yang disesuaikan dengan aplikasi anda.

Alat: Kit Tindakan Ejen

Dalam LangChain, alat pada asasnya ialah fungsi yang boleh dipanggil oleh ejen untuk melakukan tindakan tertentu. Anggaplah ia sebagai salah satu peralatan dalam tali pinggang utiliti ejen.

Ia menerima input rentetan tunggal (contohnya pertanyaan atau nombor).
Ia mengembalikan output rentetan tunggal (contohnya hasil atau mesej ralat).
Ejen menggunakan penerangan alat untuk menentukan masa dan cara alat itu digunakan.

Anatomi Alat Tersuai

Untuk membina alat tersuai, anda terutamanya memerlukan dua perkara:

Fungsi Python standard yang mengandungi logik yang akan dilaksanakan oleh alat anda.
Cara untuk menerangkan fungsi ini (namanya, perkara yang dilakukannya dan jenis input yang dijangkakannya) kepada Model Bahasa Besar (LLM).

LangChain menyediakan cara mudah untuk mentakrifkan dan mendedahkan fungsi ini kepada ejen anda.

Membina Fungsi Python

Pertama sekali, mari kita cipta fungsi Python yang ringkas. Fungsi ini akan menjadi logik teras alat tersuai kita. Ingat, fungsi ini sebaik-baiknya menerima rentetan dan mengembalikan rentetan.

Berikut ialah contoh fungsi yang mengira kuasa dua suatu nombor:

def calculate_square(number_str: str) -> str:
  """Calculates the square of a number."""
  try:
    number = int(number_str)
    return str(number * number)
  except ValueError:
    return "Error: Input must be a valid integer."

Menyediakan Alat untuk Ejen

LangChain menyediakan penghias @tool untuk menukar fungsi Python biasa kepada alat yang boleh dipanggil oleh ejen dengan mudah. Penghias ini secara automatik membuat inferens tentang skema alat (input dan penerangan) untuk LLM.

Rentetan dokumentasi fungsi anda menjadi penerangan alat, yang penting supaya LLM memahami tujuannya.

from langchain_core.tools import tool

@tool
def calculate_square(number_str: str) -> str:
  """Calculates the square of a number.
  Input should be a string representing an integer."""
  try:
    number = int(number_str)
    return str(number * number)
  except ValueError:
    return "Error: Input must be a valid integer."

# You can test it directly:
# print(calculate_square("7"))
# print(calculate_square("hello"))

Melengkapkan Ejen Anda

Setelah fungsi alat tersuai anda ditakrifkan dengan penghias @tool, anda perlu memberikannya kepada ejen anda. Ejen biasanya dimulakan dengan senarai alat yang boleh dicapainya.

LLM kemudiannya akan "melihat" alat-alat ini berserta penerangannya, lalu dapat menentukan masa untuk memanggilnya berdasarkan gesaan pengguna.

Persediaan Ejen untuk Penggunaan Alat

Sebelum menjalankan ejen kita dengan alat tersuai, kita memerlukan beberapa komponen lagi:

LLM (seperti model GPT daripada OpenAI).
Templat Gesaan untuk membimbing respons LLM.
Fungsi create_tool_calling_agent untuk menggabungkan LLM, alat dan gesaan.
Pelaksana Ejen untuk menjalankan ejen.

Ejen Beraksi: Alat Kuasa Dua Tersuai

Mari kita gabungkan semuanya! Contoh yang boleh dijalankan ini menunjukkan ejen menggunakan alat tersuai calculate_square kita untuk menjawab permintaan pengguna. Perhatikan proses pemikiran ejen dalam output.

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool
from langchain.agents import AgentExecutor, create_tool_calling_agent

# IMPORTANT: Set your OpenAI API key in your environment variables
# e.g., export OPENAI_API_KEY='your_key_here'

@tool
def calculate_square(number_str: str) -> str:
  """Calculates the square of a number.
  Input should be a string representing an integer."""
  try:
    number = int(number_str)
    return str(number * number)
  except ValueError:
    return "Error: Input must be a valid integer."

# Define the LLM (replace with your setup if not using OpenAI)
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# Define the tools the agent can use
tools = [calculate_square]

# Create the prompt template
prompt = ChatPromptTemplate.from_messages([
  ("system", "You are a helpful assistant. Use the tools provided to answer questions."),
  ("human", "{input}"),
  ("placeholder", "{agent_scratchpad}")
])

# Create the agent
agent = create_tool_calling_agent(llm, tools, prompt)

# Create an agent executor with verbosity to see the steps
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# Invoke the agent with a question it needs the tool for
result = agent_executor.invoke({"input": "What is the square of 15?"})
print(f"\nAgent's final answer: {result['output']}")

Petua untuk Alat yang Berkesan

Apabila mereka bentuk alat tersuai anda, pertimbangkan amalan terbaik berikut:

Penerangan yang Jelas: Rentetan dokumentasi alat amat penting. Jadikannya tepat supaya LLM tahu masa untuk menggunakannya.
Pengendalian Ralat yang Teguh: Bina blok try-except dalam fungsi alat anda untuk mengendalikan input yang tidak dijangka atau kegagalan perkhidmatan luaran.
Tanggungjawab Tunggal: Setiap alat sebaik-baiknya melakukan satu perkara dengan baik. Elakkan alat yang terlalu kompleks.
I/O Rentetan: Ingat, alat biasanya menjangkakan input rentetan dan mengembalikan output rentetan. Tukarkan jenis data mengikut keperluan.

Semakan Alat Tersuai

Apakah tujuan utama penghias @tool dalam LangChain ketika mencipta alat tersuai?

Jawab dalam pelajaran interaktif

Peningkatan Kuasa Alat Tersuai

Anda telah mempelajari cara mencipta dan mengintegrasikan alat tersuai anda sendiri ke dalam ejen LangChain!

Kita melihat sebab alat tersuai penting untuk meluaskan keupayaan ejen.
Kita memahami komponen terasnya: fungsi Python dan penerangannya.
Kita menggunakan penghias @tool untuk menyediakan fungsi supaya boleh digunakan oleh ejen.
Akhir sekali, kita membina ejen lengkap yang berjaya menggunakan alat tersuai kita.

Kemahiran ini asas untuk membina ejen AI yang benar-benar serba boleh dan khusus mengikut domain.

Percuma untuk bermula

Pelajari Ejen AI dengan LangChain dan Aliran Kerja Autonomi dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus: 12
Pelajaran: 50

Mula belajar secara percuma Lihat kursus penuh

Soalan Lazim

Adakah pelajaran “Mencipta Alatan LangChain Tersuai” percuma?

Ya — teks penuh “Mencipta Alatan LangChain Tersuai” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Ejen AI dengan LangChain dan Aliran Kerja Autonomi, tingkat taraf kepada CoddyKit PRO. Kursus Ejen AI dengan LangChain dan Aliran Kerja Autonomi merangkumi sejumlah 4 pelajaran.

Apakah yang akan saya pelajari dalam “Mencipta Alatan LangChain Tersuai”?

Bangunkan dan sepadukan alatan khusus anda sendiri untuk meluaskan fungsi ejen melangkaui pilihan sedia bina. Anda berlatih Ejen AI dengan LangChain dan Aliran Kerja Autonomi menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan Ejen AI dengan LangChain dan Aliran Kerja Autonomi?

Tiada pengalaman terdahulu diperlukan. Pembelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 1 daripada 4.

Berapa lamakah pelajaran “Mencipta Alatan LangChain Tersuai” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi ini?

Ya. Setiap pelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

← Kembali ke Ejen AI dengan LangChain dan Aliran Kerja Autonomi