Passio NutritionAI

为了更好地理解 NutritionAI 如何为您的代理提供超级食物营养能力，让我们构建一个可以通过 Passio NutritionAI 查找该信息的代理。

定义工具

我们首先需要创建Passio NutritionAI 工具。

Passio Nutrition AI

LangChain 中有一个内置工具，可以轻松使用 Passio NutritionAI 来查找食物营养事实。请注意，这需要一个 API 密钥——他们提供免费套餐。

创建 API 密钥后，您需要将其导出为

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 参考:get_from_env

from langchain_community.tools.passio_nutrition_ai import NutritionAI
from langchain_community.utilities.passio_nutrition_ai import NutritionAIAPI

API 参考: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，我们可以创建一个将在下游使用的工具列表。

tools = [nutritionai_search]

创建智能体

定义好工具后，我们就可以创建代理了。我们将使用 OpenAI Functions 代理——有关此类代理以及其他选项的更多信息，请参阅本指南

首先，我们选择想要指导代理的 LLM。

from langchain_openai import ChatOpenAI

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

API 参考：ChatOpenAI

接下来，我们选择要用于指导代理的提示。

from langchain import hub

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/openai-functions-agent")
prompt.messages

API 参考：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要采取的行动。至关重要的是，代理不执行这些行动——这由 AgentExecutor（下一步）完成。有关如何理解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)

API 参考:create_openai_functions_agent

最后，我们将代理（大脑）与 AgentExecutor（它将重复调用代理并执行工具）中的工具结合起来。有关如何理解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 参考：AgentExecutor

运行智能体

现在我们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?"})

如果我们想自动跟踪这些消息，可以将其封装在 RunnableWithMessageHistory 中。有关如何使用它的更多信息，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?"
    }
)

总结

大功告成！在这个快速入门中，我们介绍了如何创建一个简单的代理，它能够将食物营养信息整合到其答案中。代理是一个复杂的话题，还有很多东西需要学习！

相关

• 工具概念指南
• 工具操作指南