Skip to main content
Open In ColabOpen on GitHub

Passio NutritionAI

为了更好地理解NutritionAI如何赋予您的代理超级食品营养能力，让我们构建一个可以通过Passio NutritionAI找到这些信息的代理。

定义工具​

我们首先需要创建Passio NutritionAI工具。

Passio Nutrition AI​

我们在LangChain中内置了一个工具，可以轻松使用Passio NutritionAI来查找食物营养信息。 请注意，这需要一个API密钥 - 他们有一个免费层级。

一旦你创建了你的API密钥，你需要将其导出为：

export NUTRITIONAI_SUBSCRIPTION_KEY="..."

... 或者通过其他方式（例如 dotenv 包）将其提供给您的 Python 环境。您也可以通过构造函数调用显式控制密钥。

from dotenv import load_dotenv
from langchain_core.utils import get_from_env

load_dotenv()

nutritionai_subscription_key = get_from_env(
    "nutritionai_subscription_key", "NUTRITIONAI_SUBSCRIPTION_KEY"
)
API Reference:get_from_env
from langchain_community.tools.passio_nutrition_ai import NutritionAI
from langchain_community.utilities.passio_nutrition_ai import NutritionAIAPI
API Reference:NutritionAI | NutritionAIAPI
nutritionai_search = NutritionAI(api_wrapper=NutritionAIAPI())
nutritionai_search.invoke("chicken tikka masala")
nutritionai_search.invoke("Schnuck Markets sliced pepper jack cheese")

工具​

现在我们有了这个工具，我们可以创建一个工具列表，用于下游使用。

tools = [nutritionai_search]

创建代理​

既然我们已经定义了工具，我们就可以创建代理了。我们将使用一个OpenAI Functions代理 - 有关这种类型代理的更多信息以及其他选项，请参阅本指南

首先，我们选择我们想要引导代理的LLM。

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
API Reference:ChatOpenAI

接下来，我们选择我们想要用来指导代理的提示。

from langchain import hub

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/openai-functions-agent")
prompt.messages
API Reference:hub
[SystemMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], template='You are a helpful assistant')),
 MessagesPlaceholder(variable_name='chat_history', optional=True),
 HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['input'], template='{input}')),
 MessagesPlaceholder(variable_name='agent_scratchpad')]

现在，我们可以使用LLM、提示和工具来初始化代理。代理负责接收输入并决定采取什么行动。关键的是，代理不执行这些行动——这是由AgentExecutor（下一步）完成的。有关如何思考这些组件的更多信息，请参阅我们的概念指南

from langchain.agents import create_openai_functions_agent

agent = create_openai_functions_agent(llm, tools, prompt)

最后，我们将代理（大脑）与AgentExecutor中的工具结合起来（它将重复调用代理并执行工具）。有关如何思考这些组件的更多信息，请参阅我们的概念指南

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
API Reference:AgentExecutor

运行代理​

我们现在可以在一些查询上运行代理了！请注意，目前这些都是无状态查询（它不会记住之前的交互）。

agent_executor.invoke({"input": "hi!"})


> Entering new AgentExecutor chain...
Hello! How can I assist you today?

> Finished chain.
{'input': 'hi!', 'output': 'Hello! How can I assist you today?'}
agent_executor.invoke({"input": "how many calories are in a slice pepperoni pizza?"})

如果我们想要自动跟踪这些消息，我们可以将其包装在RunnableWithMessageHistory中。有关如何使用此功能的更多信息，请参阅本指南

agent_executor.invoke(
    {"input": "I had bacon and eggs for breakfast.  How many calories is that?"}
)
agent_executor.invoke(
    {
        "input": "I had sliced pepper jack cheese for a snack.  How much protein did I have?"
    }
)
agent_executor.invoke(
    {
        "input": "I had sliced colby cheese for a snack. Give me calories for this Schnuck Markets product."
    }
)
agent_executor.invoke(
    {
        "input": "I had chicken tikka masala for dinner.  how much calories, protein, and fat did I have with default quantity?"
    }
)

结论​

这就是全部内容了！在这个快速入门中，我们介绍了如何创建一个能够将食物营养信息融入其答案的简单代理。代理是一个复杂的话题，还有很多需要学习的内容！

这个页面有帮助吗？