自定义Tool

通过Langchain自定义Tool。API Hub - 幂简集成这里面有很多API，通过request进行调用

百度天气接口百度地图-百万开发者首选的地图服务商,提供专属的行业解决方案

自定义Schema（Pydantic）、Tool类

weather_district_id.csv 点击蓝色字体下载，存储行政区编码

ApiPost 测试Http请求

查询行政区编码

通过 weather_district_id.csv 查询区域编码。

import csv
from typing import Type, Optional
import requests
from langchain_core.callbacks import CallbackManagerForToolRun
from langchain_core.messages import HumanMessage
from langchain.tools.base import BaseTool
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import chat_agent_executor
from pydantic import BaseModel, Fielddef find_code(csv_file_path, district_name) -> str:"""根据区域或者城市的名字，返回该区域的编码:param csv_file_path::param district_name::return:"""district_map = {}#读取区域 和 编号 放入字典，然后在通过 字典.get返回编码with open(csv_file_path, mode='r', encoding='utf-8') as f:csv_reader = csv.DictReader(f)for row in csv_reader:district_code = row['districtcode'].strip()district = row['district'].strip()if district not in district_map:district_map[district] = district_code# 没有的话，返回Nonereturn district_map.get(district_name, None)

定义Schema类（Pydantic模型）

用于定义数据格式，这里用作规范 Tool的输入（由LLM生成），description相当于提示词。

class WeatherInputArgs(BaseModel):"""Input的Schema类"""location: str = Field(..., description='用于查询天气的位置信息')# location: str = Field(..., description='用于查询天气的位置信息')

定义Tool

Langchain构建Agent-Tavily检索工具

Tool的定义，可以参考，Tavily的源码

##args_schema: Type[WeatherInputArgs]

##——定义args_schema的类型为WeatherInputArgs

---

_run：获取编码——》整合url，request请求——》返回data（具体返回格式，参考各API文档）——》解析data并return。

class WeatherTool(BaseTool):"""查询实时天气的工具"""#类属性。name = 'weather_tool'description = '可以查询任意位置的当前天气情况'args_schema: Type[WeatherInputArgs] = WeatherInputArgsdef _run(self,location: str,run_manager: Optional[CallbackManagerForToolRun] = None,) -> str:"""就是调用工具的时候，自动执行的函数"""district_code = find_code('weather_district_id.csv', location)print(f'需要查询的{location}, 的地区编码是: {district_code}')url = f'https://api.map.baidu.com/weather/v1/?district_id={district_code}&data_type=now&ak=qdkcGt9AtcYfIsArwnzGz4PS09feivdH'# 发送请求response = requests.get(url)data = response.json()text = data["result"]["now"]['text']temp = data["result"]["now"]['temp']feels_like = data["result"]["now"]['feels_like']rh = data["result"]["now"]['rh']wind_dir = data["result"]["now"]['wind_dir']wind_class = data["result"]["now"]['wind_class']return f"位置: {location} 当前天气: {text}，温度: {temp} °C，体感温度: {feels_like} °C，相对湿度：{rh} %，{wind_dir}:{wind_class}"

测试

Langchain构建Agent-CSDN博客和此内容相似。

    #绑定工具
    tools = [WeatherTool()]

这里tools 用 数组，是以为，日后可以tools=[tool1,tool2,.....]

if __name__ == '__main__':# print(find_code('weather_district_id.csv', '洞口'))# 创建模型model = ChatOpenAI(model='glm-4-0520',temperature='0.6',api_key='0884a4262379e6b9e98d08be606f2192.TOaCwXTLNYo1GlRM',base_url='https://open.bigmodel.cn/api/paas/v4/')#绑定工具tools = [WeatherTool()]#创建Agent执行器agent_executor = chat_agent_executor.create_tool_calling_executor(model, tools)resp = agent_executor.invoke({'messages': [HumanMessage(content='中国的首都是哪个城市？')]})print(resp['messages'])resp2 = agent_executor.invoke({'messages': [HumanMessage(content='北京天气怎么样？')]})print(resp2['messages'])print(resp2['messages'][2].content)