Passio NutritionAI

为了更好地理解 NutritionAI 如何赋予您的代理强大的食物营养能力，让我们构建一个可以通过 Passio NutritionAI 查找相关信息的代理。

定义工具

Passio Nutrition AI

LangChain 中内置了一个工具，可以轻松使用 Passio NutritionAI 查找食物营养信息。请注意，这需要 API 密钥 - 他们提供免费层级。

创建 API 密钥后，您需要将其导出为

export NUTRITIONAI_SUBSCRIPTION_KEY="..."

... 或通过其他方式（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

现在我们有了工具，我们可以创建一个工具列表，我们将在下游使用它。

tools = [nutritionai_search]

创建代理

现在我们已经定义了工具，我们可以创建代理。我们将使用 OpenAI 函数代理 - 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，我们选择我们希望指导代理的 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

[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、提示和工具初始化代理。代理负责接收输入并决定采取哪些操作。至关重要的是，代理不会执行这些操作 - 这是由 AgentExecutor（下一步）完成的。有关如何考虑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 内部的工具相结合（它将重复调用代理并执行工具）。有关如何考虑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

运行代理

我们现在可以在一些查询上运行代理！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!"})

[1m> Entering new AgentExecutor chain...[0m
[32;1m[1;3mHello! How can I assist you today?[0m

[1m> Finished chain.[0m

{'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

就是这样！在本快速入门中，我们介绍了如何创建一个能够将食物营养信息整合到其答案中的简单代理。代理是一个复杂的话题，还有很多东西需要学习！

工具概念指南
工具操作指南

Passio NutritionAI

定义工具