langchain.agents.tool_calling_agent.base.create_tool_calling_agent

langchain.agents.tool_calling_agent.base.create_tool_calling_agent(llm: BaseLanguageModel, tools: Sequence[BaseTool], prompt: ChatPromptTemplate) → Runnable[source]

创建一个使用工具的代理。

参数:

llm: 作为代理使用的LLM。 tools: 该代理可以访问的工具。 prompt: 要使用的提示。有关预期输入变量的更多信息，请参见下面的提示部分。

返回:

代表代理的可运行序列。它接受与传入的提示相同的所有输入变量。它返回一个AgentAction或AgentFinish。

示例:

from langchain.agents import AgentExecutor, create_tool_calling_agent, tool
from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a helpful assistant"),
        ("placeholder", "{chat_history}"),
        ("human", "{input}"),
        ("placeholder", "{agent_scratchpad}"),
    ]
)
model = ChatAnthropic(model="claude-3-opus-20240229")

@tool
def magic_function(input: int) -> int:
    """对输入应用一个魔术函数。"""
    return input + 2

tools = [magic_function]

agent = create_tool_calling_agent(model, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

agent_executor.invoke({"input": "what is the value of magic_function(3)?"})

# 使用聊天历史
from langchain_core.messages import AIMessage, HumanMessage
agent_executor.invoke(
    {
        "input": "what's my name?",
        "chat_history": [
            HumanMessage(content="hi! my name is bob"),
            AIMessage(content="Hello Bob! How can I assist you today?"),
        ],
    }
)

提示:

代理提示必须有一个`agent_scratchpad`键，它是一个``MessagesPlaceholder``。中间代理操作和工具输出消息将传递到这里。

Parameters
Return type

Runnable

Examples using create_tool_calling_agent