0Pricing
AI Agents with LangChain & Autonomous Workflows · Lekcja

Tworzenie własnych narzędzi LangChain

Opracuj i zintegruj własne wyspecjalizowane tools, aby rozszerzyć funkcjonalność agentów poza gotowe rozwiązania.

Tworzenie własnych narzędzi LangChain to bezpłatna lekcja AI Agents with LangChain & Autonomous Workflows na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents with LangChain & Autonomous Workflows, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents with LangChain & Autonomous Workflows zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

Extend Agent Capabilities

AI agents are powerful, but sometimes they need to perform very specific actions that aren't covered by standard tools. This is where custom tools come in!

Custom tools allow your agent to interact with unique APIs, proprietary databases, or perform highly specialized calculations tailored to your application.

Tools: Agent's Action Kit

In LangChain, a Tool is essentially a function that an agent can call to perform a specific action. Think of it as an item in the agent's utility belt.

  • It takes a single string input (e.g., a query, a number).
  • It returns a single string output (e.g., a result, an error message).
  • The agent uses the tool's description to decide when and how to use it.

Anatomy of a Custom Tool

To build a custom tool, you primarily need two things:

  • A standard Python function that contains the logic your tool will execute.
  • A way to describe this function (its name, what it does, and what kind of input it expects) to the Large Language Model (LLM).

LangChain provides an easy way to define and expose these functions to your agents.

Crafting the Python Function

First, let's create a simple Python function. This function will be the core logic of our custom tool. Remember, it should ideally take a string and return a string.

Here's an example of a function that calculates the square of a number:

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."

Making Tools Agent-Ready

LangChain provides the @tool decorator to easily turn a regular Python function into an agent-callable tool. This decorator automatically infers the tool's schema (inputs, description) for the LLM.

The docstring of your function becomes the tool's description, which is crucial for the LLM to understand its purpose.

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"))

Equipping Your Agent

Once your custom tool function is defined with the @tool decorator, you need to provide it to your agent. Agents are typically initialized with a list of tools they have access to.

The LLM will then "see" these tools and their descriptions, allowing it to decide when to call them based on the user's prompt.

Agent Setup for Tool Use

Before running our agent with the custom tool, we need a few more pieces:

  • An LLM (like OpenAI's GPT models).
  • A Prompt Template to guide the LLM's responses.
  • The create_tool_calling_agent function to combine the LLM, tools, and prompt.
  • An Agent Executor to run the agent.

Agent in Action: Custom Square Tool

Let's put it all together! This runnable example shows an agent using our calculate_square custom tool to answer a user's request. Observe the agent's thought process in the 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']}")

Tips for Effective Tools

When designing your custom tools, consider these best practices:

  • Clear Descriptions: The tool's docstring is vital. Make it precise so the LLM knows when to use it.
  • Robust Error Handling: Build try-except blocks into your tool functions to handle unexpected inputs or external service failures.
  • Single Responsibility: Each tool should ideally do one thing well. Avoid making overly complex tools.
  • String I/O: Remember, tools typically expect string inputs and return string outputs. Convert types as needed.

Custom Tool Check

Which of the following is the primary purpose of the @tool decorator in LangChain when creating a custom tool?

Custom Tool Power-Up

You've learned how to create and integrate your own custom tools into LangChain agents!

  • We saw why custom tools are important for extending agent capabilities.
  • We understood the core components: a Python function and its description.
  • We used the @tool decorator to make functions agent-ready.
  • Finally, we built a full agent that successfully used our custom tool.

This skill is fundamental for building truly versatile and domain-specific AI agents.

Często zadawane pytania

Czy lekcja „Tworzenie własnych narzędzi LangChain” jest bezpłatna?

Tak — pełny tekst „Tworzenie własnych narzędzi LangChain” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents with LangChain & Autonomous Workflows, przejdź na CoddyKit PRO. Kurs AI Agents with LangChain & Autonomous Workflows zawiera 4 lekcji w sumie.

Co nauczysz się w „Tworzenie własnych narzędzi LangChain”?

Opracuj i zintegruj własne wyspecjalizowane tools, aby rozszerzyć funkcjonalność agentów poza gotowe rozwiązania. Ćwiczysz AI Agents with LangChain & Autonomous Workflows z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć AI Agents with LangChain & Autonomous Workflows?

Nie wymagamy żadnego doświadczenia. AI Agents with LangChain & Autonomous Workflows w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.

Ile czasu zajmuje lekcja „Tworzenie własnych narzędzi LangChain”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents with LangChain & Autonomous Workflows?

Tak. Każda lekcja AI Agents with LangChain & Autonomous Workflows zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Tworzenie własnych narzędzi LangChain
  2. Integracja z zewnętrznymi API
  3. Web scraping i wzbogacanie danych
  4. Toolkity i ustrukturyzowane dane wejściowe narzędzi
← Powrót do AI Agents with LangChain & Autonomous Workflows