给AI模型用工具的能力

自定义你的AI工具

baseTool、hub、create_structured_chat_agent和AgentExecutor代码示例

from langchain.agents import AgentExecutor, create_structured_chat_agent
from langchain.tools import BaseTool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_community.utilities import SerpAPIWrapper
from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field, SecretStr
from typing import Type, Any, List
import os
from dotenv import load_dotenv

# 加载 .env 文件
load_dotenv()

# 定义一个自定义工具类（继承BaseTool）
class CustomSearchTool(BaseTool):
    name: str = "custom_search"
    description: str = "用于搜索最新信息的工具"

    def _run(self, query: str) -> str:
        # 实现具体的搜索逻辑
        search = SerpAPIWrapper()
        return search.run(query)

    async def _arun(self, query: str) -> str:
        raise NotImplementedError("该工具暂不支持异步调用")

# 定义工具输入模型（用于结构化输出）
class SearchInput(BaseModel):
    query: str = Field(description="要搜索的问题")

# 将工具与输入模型绑定
custom_search_tool = CustomSearchTool()
custom_search_tool.args_schema = SearchInput

# 初始化通义千问大模型
api_key = os.getenv("DASHSCOPE_API_KEY")
model = ChatOpenAI(
    model="qwen-turbo",
    api_key=SecretStr(api_key) if api_key else None,
    base_url=os.getenv("BASE_URL")
)

# 构建结构化聊天代理提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个能够使用工具解决问题的助手。请根据用户问题选择合适的工具进行处理。"
            "你可以使用以下工具:\n{tools}\n工具名称: {tool_names}"),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad")  # 确保此占位符被正确处理
])

# 创建结构化聊天代理
agent = create_structured_chat_agent(
    llm=model,
    tools=[custom_search_tool],
    prompt=prompt
)

# 使用AgentExecutor包装代理以支持工具调用和迭代执行
agent_executor = AgentExecutor(
    agent=agent,
    tools=[custom_search_tool],
    handle_parsing_errors=True,
    verbose=True
)

# 示例：运行代理执行器
if __name__ == "__main__":
    result = agent_executor.invoke({
        "input": "今天北京天气怎么样？",
        "agent_scratchpad": []  # 显式初始化为空列表
    })
    print(result)

用现成的AI工具运行代码

LangChain——experimental和PythonREPLTool代码示例

from langchain_experimental.tools import PythonREPLTool
from langchain.agents import AgentExecutor, create_structured_chat_agent
from langchain import hub
from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field, SecretStr
import os
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

# 定义计算商品总价的工具输入模型
class PriceCalculationInput(BaseModel):
    product_prices: list = Field(description="商品单价列表")
    quantities: list = Field(description="商品数量列表")

# 初始化Python REPL工具，用于执行价格计算
python_repl_tool = PythonREPLTool()
python_repl_tool.name = "price_calculator"
python_repl_tool.description = "用于计算商品总价的工具，接收商品单价和数量列表"

# 初始化通义千问大模型
api_key = os.getenv("DASHSCOPE_API_KEY")
model = ChatOpenAI(
    model="qwen-turbo",
    api_key=SecretStr(api_key) if api_key else None,
    base_url=os.getenv("BASE_URL")
)

# 使用官方的结构化聊天代理提示模板
prompt = hub.pull("hwchase17/structured-chat-agent")

# 创建结构化聊天代理
agent = create_structured_chat_agent(
    llm=model,
    tools=[python_repl_tool],
    prompt=prompt
)

# 使用AgentExecutor包装代理
agent_executor = AgentExecutor(
    agent=agent,
    tools=[python_repl_tool],
    handle_parsing_errors=True,
    verbose=True
)

# 示例：运行代理执行器计算商品总价
if __name__ == "__main__":
    result = agent_executor.invoke({
        "input": "我买了3件商品，单价分别是100元、200元和150元，数量分别是2件、1件和3件，请计算总价。"
    })
    print(result)

输出如下：

Entering new AgentExecutor chain… Action:

{
"action": "price_calculator",
"action_input": {
    "query": "我买了3件商品，单价分别是100元、200元和150元，数量分别是2件、1件和3件，请计算总价。"
}
}
```Python REPL can execute arbitrary code. Use with caution.
SyntaxError("invalid character '，' (U+FF0C)", ('<string>', 1, 8, '我买了3件商品，单价分别是100元、200元和150元，数量分别是2件、1件和3件，请计算总价。', 1, 8)){
"action": "Final Answer",
"action_input": "您购买的商品总价为：(100元 * 2) + (200元 * 1) + (150元 * 3) = 200元 + 200元 + 450元 = 850元。"
}

> Finished chain.
{'input': '我买了3件商品，单价分别是100元、200元和150元，数量分别是2件、1件和3件，请计算总价。', 'output': '您购买的商品总价为：(100元 * 2) + (200元 * 1) + (150元 * 3) = 200元 + 200元 + 450元 = 850元。'}

用现成的AI工具分析数据表格

示例

    """
数据分析代理程序
该程序使用通义千问大模型和Python REPL工具来分析销售数据。
"""
from langchain import hub
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables import RunnablePassthrough, RunnableParallel
from langchain_core.output_parsers import StrOutputParser
from pydantic import BaseModel, Field
from langchain_openai import ChatOpenAI
from langchain_experimental.tools import PythonREPLTool
from langchain.agents import AgentExecutor, create_structured_chat_agent
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
from pydantic import SecretStr
import os
import sys
from dotenv import load_dotenv
import pandas as pd
import io

# 加载环境变量
load_dotenv()

# 初始化Python REPL工具用于数据分析
python_repl_tool = PythonREPLTool()
python_repl_tool.name = "python_repl"
python_repl_tool.description = "执行Python代码进行数据分析。输入应该是有效的Python代码。"

# 初始化通义千问大模型
api_key = os.getenv("DASHSCOPE_API_KEY")
if not api_key:
    print("错误：未设置DASHSCOPE_API_KEY环境变量")
    sys.exit(1)

model = ChatOpenAI(
    model="qwen-turbo",
    api_key=SecretStr(api_key) if api_key else None,
    base_url=os.getenv("BASE_URL")
)

# 使用标准的结构化聊天代理提示词模板
prompt = hub.pull("hwchase17/structured-chat-agent")

# 创建结构化聊天代理
agent = create_structured_chat_agent(
    llm=model,
    tools=[python_repl_tool],
    prompt=prompt
)

# 使用AgentExecutor包装代理
agent_executor = AgentExecutor(
    agent=agent,
    tools=[python_repl_tool],
    handle_parsing_errors=True,
    verbose=True
)

# 示例CSV数据
try:
    sample_csv_data = pd.read_csv("code/AI模型工具应用/data.csv")
except FileNotFoundError:
    print("错误：找不到data.csv文件，请确保文件存在于当前目录中")
    sys.exit(1)
except Exception as e:
    print(f"错误：读取data.csv文件时发生错误: {e}")
    sys.exit(1)

if __name__ == "__main__":
    # 先让agent了解数据结构并进行分析
    query = f"""
    我有一个销售数据集，需要你帮我分析。请使用Python代码来处理。
    首先加载数据：
    ```python
    import pandas as pd
    df = pd.read_csv("code/AI模型工具应用/data.csv")
    print("数据形状:", df.shape)
    print("列名:", df.columns.tolist())
    print("前5行数据:")
    print(df.head())然后计算：
    总销售额（quantity * price 的总和）
    找出销售额最高的产品
    请用中文回复分析结果。 """

    # 调用代理执行器处理数据分析请求
    result = agent_executor.invoke({
        "input": query
    })

    # 打印分析结果
    print("\n=== 结果 ===")
    print(result)

输出如下：

Entering new AgentExecutor chain… { “action”: “python_repl”, “action_input”: “import pandas as pd\n\ndf = pd.read_csv("code/AI模型工具应用/data.csv")\nprint("数据形状:", df.shape)\nprint("列名:", df.columns.tolist())\nprint("前5行数据:")\nprint(df.head())\n\n# 计算总销售额\ntotal_sales = (df[‘quantity’] * df[‘price’]).sum()\n\n# 找出销售额最高的产品\nmax_sales_product = df.loc[(df[‘quantity’] * df[‘price’]).idxmax()]\n\n(total_sales, max_sales_product)” }Python REPL can execute arbitrary code. Use with caution. 数据形状: (20, 10) 列名: [‘order_id’, ‘customer_id’, ‘product_id’, ‘product_name’, ‘category’, ‘quantity’, ‘price’, ‘order_date’, ‘ship_date’, ‘order_status’] 前5行数据: order_id customer_id product_id product_name category quantity price order_date ship_date order_status 0 1001 5001 2001 无线机械键盘电子产品 2 129.99 2023-07-01 2023-07-02 已完成 1 1002 5002 2002 智能手环 Pro 电子产品 1 79.50 2023-07-01 2023-07-03 已发货 2 1003 5003 2003 降噪蓝牙耳机电子产品 1 59.99 2023-07-02 NaN “待付款” 3 1004 5001 2004 24英寸曲面显示器电子产品 1 199.99 2023-07-02 2023-07-05 已完成 4 1005 5004 2005 办公人体工学椅家居用品 1 149.95 2023-07-03 2023-07-06 已取消 { “action”: “Final Answer”, “action_input”: “总销售额为: 1279.83 元。销售额最高的产品是: 无线机械键盘，其销售额为: 259.98 元。” }

Finished chain.

=== 结果 === {‘input’: ‘\n 我有一个销售数据集，需要你帮我分析。请使用Python代码来处理。\n 首先加载数据：\n ```python\n import pandas as pd\n df = pd.read_csv(“code/AI模型工具应用/data.csv”)\n print(“数据形状:”, df.shape)\n print(“列名:”, df.columns.tolist())\n print(“前5行数据:”)\n print(df.head())然后计算：\n 总销售额（quantity * price 的总和）\n 找出销售额最高的产品\n 请用中文回复分析结果。 ‘, ‘output’: ‘总销售额为: 1279.83 元。销售额最高的产品是: 无线机械键盘，其销售额为: 259.98 元。’}

多个工具组成AI工具箱

示例

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough, RunnableParallel
from langchain_core.output_parsers import StrOutputParser
from pydantic import BaseModel, Field
from langchain_openai import ChatOpenAI
from langchain_experimental.tools import PythonREPLTool
from langchain.agents import AgentExecutor, create_structured_chat_agent
from langchain import hub
from pydantic import SecretStr
import os
from dotenv import load_dotenv
import pandas as pd
import io

# 加载环境变量
load_dotenv()

# 定义Python代码执行工具输入模型
class PythonCodeInput(BaseModel):
    code: str = Field(description="要执行的Python代码")

# 定义CSV分析工具输入模型
class CSVAnalysisInput(BaseModel):
    csv_content: str = Field(description="CSV文件内容")
    query: str = Field(description="用户查询问题")

# 定义文本计算工具输入模型
class TextCalculationInput(BaseModel):
    expression: str = Field(description="数学表达式")

# 初始化Python REPL工具用于代码执行
python_code_tool = PythonREPLTool()
python_code_tool.name = "python_executor"
python_code_tool.description = "用于执行Python代码的工具，可以进行复杂计算和数据处理"

# 初始化Python REPL工具用于CSV分析
csv_analysis_tool = PythonREPLTool()
csv_analysis_tool.name = "csv_analyzer"
csv_analysis_tool.description = "用于分析CSV数据的工具，可以执行数据统计、计算等操作"

# 初始化Python REPL工具用于文本计算
text_calculation_tool = PythonREPLTool()
text_calculation_tool.name = "text_calculator"
text_calculation_tool.description = "用于计算数学表达式的工具，支持基本和复杂数学运算"

# 初始化通义千问大模型
api_key = os.getenv("DASHSCOPE_API_KEY")
model = ChatOpenAI(
    model="qwen-turbo",
    api_key=SecretStr(api_key) if api_key else None,
    base_url=os.getenv("BASE_URL")
)

# 从Hub拉取结构化聊天代理提示词模板
prompt = hub.pull("hwchase17/structured-chat-agent")

# 创建结构化聊天代理
agent = create_structured_chat_agent(
    llm=model,
    tools=[python_code_tool, csv_analysis_tool, text_calculation_tool],
    prompt=prompt
)

# 使用AgentExecutor包装代理
agent_executor = AgentExecutor(
    agent=agent,
    tools=[python_code_tool, csv_analysis_tool, text_calculation_tool],
    handle_parsing_errors=True,
    verbose=True
)

# 示例CSV数据
sample_csv_data =pd.read_csv("code/AI模型工具应用/data.csv") 
# 示例：运行代理执行器使用不同工具
if __name__ == "__main__":
    # 测试CSV分析工具
    print("=== 测试CSV分析工具 ===")
    result1 = agent_executor.invoke({
        "input": f"""
        我有一个销售数据集，需要你帮我分析。请使用Python代码来处理。
        首先加载数据：
        ```python
        import pandas as pd
        df = pd.read_csv("code/AI模型工具应用/data.csv")
        print("数据形状:", df.shape)
        print("列名:", df.columns.tolist())
        print("前5行数据:")
        print(df.head())然后计算：
        总销售额（quantity * price 的总和）
        找出销售额最高的产品
        请用中文回复分析结果。 """
    })
    print(result1)

    print("\n=== 测试文本计算工具 ===")
    # 测试文本计算工具
    result2 = agent_executor.invoke({
        "input": "请计算 (150 * 3 + 200) / 5 - 30 的结果"
    })
    print(result2)

    print("\n=== 测试Python代码执行工具 ===")
    # 测试Python代码执行工具
    result3 = agent_executor.invoke({
        "input": "请用Python生成一个包含10个随机数的列表，并计算它们的平均值"
    })
    print(result3)

输出如下：

=== 测试CSV分析工具 ===

Entering new AgentExecutor chain… { “action”: “python_executor”, “action_input”: “import pandas as pd\n\ndf = pd.read_csv("code/AI模型工具应用/data.csv")\nprint("数据形状:", df.shape)\nprint("列名:", df.columns.tolist())\nprint("前5行数据:")\nprint(df.head())\n\n# 计算总销售额\ntotal_sales = (df[‘quantity’] * df[‘price’]).sum()\n\n# 找出销售额最高的产品\nmax_sales_product = df.loc[(df[‘quantity’] * df[‘price’]).idxmax()]\n\n(total_sales, max_sales_product)” }Python REPL can execute arbitrary code. Use with caution. 数据形状: (20, 10) 列名: [‘order_id’, ‘customer_id’, ‘product_id’, ‘product_name’, ‘category’, ‘quantity’, ‘price’, ‘order_date’, ‘ship_date’, ‘order_status’] 前5行数据: order_id customer_id product_id product_name category quantity price order_date ship_date order_status 0 1001 5001 2001 无线机械键盘电子产品 2 129.99 2023-07-01 2023-07-02 已完成 1 1002 5002 2002 智能手环 Pro 电子产品 1 79.50 2023-07-01 2023-07-03 已发货 2 1003 5003 2003 降噪蓝牙耳机电子产品 1 59.99 2023-07-02 NaN “待付款” 3 1004 5001 2004 24英寸曲面显示器电子产品 1 199.99 2023-07-02 2023-07-05 已完成 4 1005 5004 2005 办公人体工学椅家居用品 1 149.95 2023-07-03 2023-07-06 已取消 { “action”: “Final Answer”, “action_input”: “数据形状为 (20, 10)，列名包括：order_id、customer_id、product_id、product_name、category、quantity、price、order_date、ship_date、order_status。前5行数据如上所示。\n\n总销售额为：3798.46 元。\n\n销售额最高的产品是：\norder_id 1001\ncustomer_id 5001\nproduct_id 2001\nproduct_name 无线机械键盘\ncategory 电子产品\nquantity 2\nprice 129.99\norder_date 2023-07-01\nship_date 2023-07-02\norder_status 已完成\nName: 0, dtype: object” }

Finished chain. {‘input’: ‘\n 我有一个销售数据集，需要你帮我分析。请使用Python代码来处理。\n 首先加载数据：\n ```python\n import pandas as pd\n df = pd.read_csv(“code/AI模型工具应用/data.csv”)\n print(“数据形状:”, df.shape)\n print(“列名:”, df.columns.tolist())\n print(“前5行数据:”)\n print(df.head())然后计算：\n 总销售额（quantity * price 的总和）\n 找出销售额最高的产品\n 请用中文回复分析结果。 ‘, ‘output’: ‘数据形状为 (20, 10)，列名包括：order_id、customer_id、product_id、product_name、category、quantity、price、order_date、ship_date、order_status。前5行数据如上所示。\n\n总销售额为：3798.46 元。\n\n销售额最高的产品是：\norder_id 1001\ncustomer_id 5001\nproduct_id 2001\nproduct_name 无线机械键盘\ncategory 电子产品\nquantity 2\nprice 129.99\norder_date 2023-07-01\nship_date 2023-07-02\norder_status 已完成\nName: 0, dtype: object’}

=== 测试文本计算工具 ===

Entering new AgentExecutor chain… Action:

{
"action": "text_calculator",
"action_input": "(150 * 3 + 200) / 5 - 30"
}
```{
"action": "Final Answer",
"action_input": "计算结果为 80"
}

> Finished chain.
{'input': '请计算 (150 * 3 + 200) / 5 - 30 的结果', 'output': '计算结果为 80'}

=== 测试Python代码执行工具 ===


> Entering new AgentExecutor chain...
Action:

{ “action”: “python_executor”, “action_input”: “import random\nrandom_numbers = [random.uniform(0, 100) for _ in range(10)]\naverage = sum(random_numbers) / len(random_numbers)\nrandom_numbers, average” }

"action": "Final Answer",
"action_input": "生成的随机数列表为：[70.3412562862942, 75.52908411412517, 57.66020188242748, 67.71097724877533, 63.10141440195013, 75.77007066814763, 62.61627979214029, 59.78708280212198, 78.30742645772916, 52.24122079792126]，它们的平均值为：66.90343934588929"
}

> Finished chain.
{'input': '请用Python生成一个包含10个随机数的列表，并计算它们的平均值', 'output': '生成的随机数列表为：[70.3412562862942, 75.52908411412517, 57.66020188242748, 67.71097724877533, 63.10141440195013, 75.77007066814763, 62.61627979214029, 59.78708280212198, 78.30742645772916, 52.24122079792126]，它们的平均值为：66.90343934588929'}

自定义你的AI工具#

用现成的AI工具运行代码#

用现成的AI工具分析数据表格#

多个工具组成AI工具箱#

自定义你的AI工具

用现成的AI工具运行代码

用现成的AI工具分析数据表格

多个工具组成AI工具箱