跳到主要內容
Open In ColabOpen on GitHub

Passio NutritionAI

為了更了解 NutritionAI 如何為您的代理程式提供超級食物營養能力，讓我們建立一個代理程式，透過 Passio NutritionAI 尋找該資訊。

定義工具​

我們首先需要建立 Passio NutritionAI 工具。

Passio Nutrition AI​

我們在 LangChain 中有一個內建工具，可以輕鬆使用 Passio NutritionAI 尋找食物營養成分資訊。請注意，這需要 API 金鑰 - 他們有免費方案。

建立 API 金鑰後，您需要將其匯出為

export NUTRITIONAI_SUBSCRIPTION_KEY="..."

... 或透過其他方式（例如 dotenv 套件）將其提供給您的 Python 環境。您也可以透過建構函式呼叫明確控制金鑰。

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 參考文件：get_from_env
from langchain_community.tools.passio_nutrition_ai import NutritionAI
from langchain_community.utilities.passio_nutrition_ai import NutritionAIAPI
API 參考文件：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​

現在我們有了工具，我們可以建立一個工具列表，供下游使用。

tools = [nutritionai_search]

建立代理程式​

現在我們已經定義了工具，我們可以建立代理程式。我們將使用 OpenAI Functions 代理程式 - 有關此類型代理程式以及其他選項的更多資訊，請參閱本指南

首先，我們選擇要引導代理程式的 LLM。

from langchain_openai import ChatOpenAI

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

接下來，我們選擇要用來引導代理程式的提示。

from langchain import hub

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/openai-functions-agent")
prompt.messages
API 參考文件：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')]

現在，我們可以使用 LLM、提示和工具初始化代理程式。代理程式負責接收輸入並決定要採取的動作。至關重要的是，代理程式不執行這些動作 - 這由 AgentExecutor 完成（下一步）。有關如何思考這些組件的更多資訊，請參閱我們的概念指南

from langchain.agents import create_openai_functions_agent

agent = create_openai_functions_agent(llm, tools, prompt)

最後，我們將代理程式（大腦）與 AgentExecutor 內的工具結合（它將重複呼叫代理程式並執行工具）。有關如何思考這些組件的更多資訊，請參閱我們的概念指南

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
API 參考文件：AgentExecutor

執行代理程式​

我們現在可以對一些查詢執行代理程式！請注意，目前這些都是無狀態查詢（它不會記住先前的互動）。

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?"})

如果我們想自動追蹤這些訊息，我們可以將其包裝在 RunnableWithMessageHistory 中。有關如何使用此功能的更多資訊，請參閱本指南

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?"
    }
)

結論​

結束了！在這個快速入門中，我們介紹了如何建立一個簡單的代理程式，能夠將食物營養資訊納入其答案中。代理程式是一個複雜的主題，還有很多東西要學習！

此頁面是否對您有幫助？