定义自定义工具

构建自己的代理时，您需要为其提供一组工具列表。除了实际调用的函数外，工具还由几个组件组成：

*名称（str），是必需的，并且必须在提供给代理的一组工具中是唯一的 *描述（str），是可选的，但建议使用，因为代理用于确定工具使用

return_direct（bool），默认为False
args_schema（Pydantic BaseModel），是可选的，但建议使用，可以用于提供更多信息或验证预期参数。

当选择工具时应调用的函数应返回单个字符串。

有两种定义工具的方法，我们将在下面的示例中涵盖这两种方法。an create completely new tools from scratch using either the Tool dataclass or by subclassing the BaseTool class. In this example, we are using the Tool dataclass to create a new tool called "Search". The tool uses the SerpAPIWrapper to answer questions about current events. We also initialize the LLM to use for the agent and create a new tool called "llm_math_chain" that uses the LLM for math calculations. The "verbose" parameter is set to True to provide additional output during the calculations.可以定义一个 args_schema 来提供有关输入的更多信息

从 pydantic 导入 BaseModel，Field

class CalculatorInput(BaseModel): question: str = Field()

tools.append( Tool( name="Calculator", func=llm_math_chain.run, description="在需要回答数学问题时非常有用", args_schema=CalculatorInput ) )

构建代理。这里我们将使用默认代理类型。

有关选项的完整列表，请参见文档。

agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

agent.run("谁是莱昂纳多·迪卡普里奥的女朋友？她当前的年龄上升到0.43次方是多少？")

进入新的 AgentExecutor 链... 我需要找出莱昂纳多·迪卡普里奥的女友名字和她的年龄动作：搜索动作输入：“Leo DiCaprio girlfriend” 迪卡普里奥在2022年夏天和女友卡米拉·莫罗内（Camila Morrone）分手后，两人的恋情持续了一年。Subclassing the BaseTool class

从BaseTool类派生子类

from typing import Type
 
class CustomSearchTool(BaseTool):
    name = "搜索"
    description = "当你需要回答有关当前事件的问题时有用"
 
    def _run(self, query: str) -> str:
        """使用工具。"""
        return search.run(query)
    
    async def _arun(self, query: str) -> str:
        """异步使用工具。"""
        raise NotImplementedError("BingSearchRun不支持异步")
    
class CustomCalculatorTool(BaseTool):
    name = "计算器"
    description = "用于进行数学计算"
 
    def _run(self, query: str) -> str:
        """使用工具。"""
        return calculator.run(query)
    
    async def _arun(self, query: str) -> str:
        """异步使用工具。"""
        raise NotImplementedError("CustomCalculatorTool不支持异步")

以上是派生自BaseTool类的两个子类CustomSearchTool和CustomCalculatorTool，分别实现了搜索和计算器的功能。其中，CustomSearchTool用于回答关于当前事件的问题，而CustomCalculatorTool用于进行数学计算。# 代码块不用翻译，请保持markdown格式输出

CustomCalculatorTool

这是一个名为CustomCalculatorTool的工具，用于回答关于数学的问题。它使用CalculatorInput作为参数模式。

在_run方法中，该工具会运行llm_math_chain.run(query)并返回结果。

在_arun方法中，该工具会抛出一个NotImplementedError，表示不支持异步操作。

初始化工具和代理

使用CustomSearchTool()和CustomCalculatorTool()初始化一个包含两个工具的工具链(tools)。

使用initialize_agent()方法初始化一个名为agent的代理，使用ZERO_SHOT_REACT_DESCRIPTION作为代理类型，并打开冗长模式。

运行代理

使用agent.run()方法运行代理，并传入一个包含两个问题的字符串。代理将使用CustomSearchTool()和CustomCalculatorTool()工具链来回答这些问题，并打印出回答。请将以下markdown格式的内容，翻译为中文，代码块不用翻译，请保持markdown格式输出。需要翻译的内容是：Camila Morrone的当前年龄

Action: 计算器 Action Input: 25^(0.43)

进入新的LLMMathChain链... 25^(0.43)```text 25**(0.43)

...numexpr.evaluate("25\*\*(0.43)")...

答案：3.991298452658078
> 链结束。
答案：3.991298452658078 我现在知道了最终答案
最终答案：3.991298452658078

> 链结束。

'3.991298452658078'

使用 tool 装饰器

为了更容易地定义自定义工具，提供了 @tool 装饰器。这个装饰器可以用于快速创建一个 Tool，从一个简单的函数中。装饰器默认使用函数名作为工具名，但可以通过传递一个字符串作为第一个参数来覆盖。此外，装饰器将使用函数的文档字符串作为工具的描述。

定义了一个名为search_api的函数，该函数接受一个字符串类型的参数query，并返回一个字符串类型的结果Results for query {query}

使用@tool装饰器来定义一个名为search的工具，这个工具会直接返回结果。该工具调用了search_api函数，接受一个字符串类型的参数query，返回一个字符串类型的结果"Results"。修改现有工具 [#]（＃modify-existing-tools“此标题的永久链接”） -------------------------------------------------- -----现在，我们展示如何加载现有的工具并对其进行修改。在下面的示例中，我们做一些非常简单的事情，将搜索工具的名称更改为“Google Search”。

from langchain.agents import load_tools

tools = load_tools(["serpapi", "llm-math"], llm=llm)

tools[0].name = "Google Search"

agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

agent.run("Who is Leo DiCaprio's girlfriend? What is her current age raised to the 0.43 power?")

> 进入新的AgentExecutor链...
我需要找出Leo DiCaprio女友的名字和她的年龄。
动作：Google Search
动作输入："Leo DiCaprio girlfriend"I draw the lime at going to get a Mohawk, though." DiCaprio broke up with girlfriend Camila Morrone, 25, in the summer of 2022, after dating for four years. He's since been linked to another famous s
```超模特——吉吉·哈迪德。现在我需要找出卡米拉·莫罗内的当前年龄。
操作：计算器
操作输入：25 ^ 0.43
答案：3.991298452658078
我现在知道了最终答案。
最终答案：卡米拉·莫罗内的当前年龄提高到0.43次方约为3.99。

> 完成链。

```earch if the question is about Music, like '谁是昨天的歌手？'或'2022年最受欢迎的歌曲是什么？'"
    )
]
# Initialize the agent
agent = initialize_agent(
    agent_type=AgentType.OPENAI,
    api_key="your_api_key_here",
    llm=LLMMathChain(),
    tools=tools
)

# Use the agent to answer a question
response = agent.answer("What is the capital of France?")

# Print the response
print(response)

这可以通过添加类似于“使用这个音乐搜索引擎而不是普通搜索，如果问题是关于音乐的，比如'谁是昨天的歌手？'或'2022年最受欢迎的歌曲是什么？'”的语句来实现。下面是一个例子。

# 导入通用所需的工具
from langchain.agents import initialize_agent, Tool
from langchain.agents import AgentType
from langchain.llms import OpenAI
from langchain import LLMMathChain, SerpAPIWrapper
search = SerpAPIWrapper()
tools = [
    Tool(
        name = "搜索",
        func=search.run,
        description="当您需要回答当前事件的问题时很有用"
    ),
    Tool(
        name="音乐搜索",
        func=lambda x: "'All I Want For Christmas Is You' by Mariah Carey.", #Mock Function
        description="一个音乐搜索引擎。如果问题是关于音乐的，请使用这个搜索引擎而不是普通搜索，比如'谁是昨天的歌手？'或'2022年最受欢迎的歌曲是什么？'"
    )
]
# 初始化代理
agent = initialize_agent(
    agent_type=AgentType.OPENAI,
    api_key="your_api_key_here",
    llm=LLMMathChain(),
    tools=tools
)

# 使用代理回答问题
response = agent.answer("法国的首都是哪里？")

# 打印回答
print(response)
```irectly instead of going through the agent's decision making process. This can be done by using the `tools.run` method. Here is an example:

```python
from deepset_ai import tools

answer = tools.run('text-classification', model_name_or_path='bert-base-uncased', data=['What is the capital of France?'])
print(answer)

In this example, we are using the text-classification tool to classify the given text using a BERT model. The output will be a list of dictionaries, where each dictionary represents a possible label and its associated score. The print statement will output this list.直接返回结果给用户，如果被调用的话，可以通过设置LangChain中的工具的return_direct标志为True来轻松实现。

llm_math_chain = LLMMathChain(llm=llm)
tools = [
    Tool(
        name="计算器",
        func=llm_math_chain.run,
        description="在需要回答数学问题时很有用",
        return_direct=True
    )
]

llm = OpenAI(temperature=0)
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

agent.run("2\*\*.12是多少")

> 进入新的AgentExecutor链...
 我需要计算一下
操作：计算器
操作输入：2\*\*.12答案：1.086734862526058

> 链结束。

'答案：1.086734862526058'

工具（Tools）Apify