跳到主要內容
Open In ColabOpen on GitHub

Taiga

此筆記本快速概述了如何開始使用 langchain_taiga 中的 Taiga 工具。 有關每個工具和配置的更多詳細資訊，請參閱您儲存庫中的 langchain_taiga 或相關文檔頁面。

概觀​

整合細節​

類別套件可序列化JS 支援最新套件
create_entity_tool、search_entities_tool、get_entity_by_ref_tool、update_entity_by_ref_tool 、add_comment_by_ref_tool、add_attachment_by_ref_toollangchain-taiga不適用待定PyPI - Version

工具功能​

  • create_entity_tool：在 Taiga 中建立使用者故事、任務和問題。
  • search_entities_tool：在 Taiga 中搜尋使用者故事、任務和問題。
  • get_entity_by_ref_tool：通過參考獲取使用者故事、任務或問題。
  • update_entity_by_ref_tool：通過參考更新使用者故事、任務或問題。
  • add_comment_by_ref_tool：向使用者故事、任務或問題新增評論。
  • add_attachment_by_ref_tool：向使用者故事、任務或問題新增附件。

設定​

此整合位於 langchain-taiga 套件中。

%pip install --quiet -U langchain-taiga
/home/henlein/Workspace/PyCharm/langchain/.venv/bin/python: No module named pip
Note: you may need to restart the kernel to use updated packages.

憑證​

此整合需要您設定 TAIGA_URL、TAIGA_API_URL、TAIGA_USERNAME、TAIGA_PASSWORD 和 OPENAI_API_KEY 作為環境變數，以便通過 Taiga 驗證。

export TAIGA_URL="https://taiga.xyz.org/"
export TAIGA_API_URL="https://taiga.xyz.org/"
export TAIGA_USERNAME="username"
export TAIGA_PASSWORD="pw"
export OPENAI_API_KEY="OPENAI_API_KEY"

設定 LangSmith 以獲得一流的可觀察性也很有幫助（但非必要）。

# os.environ["LANGSMITH_TRACING"] = "true"
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass()

實例化​

以下範例展示如何在 langchain_taiga 中實例化 Taiga 工具。 根據您的特定使用情況進行調整。

from langchain_taiga.tools.discord_read_messages import create_entity_tool
from langchain_taiga.tools.discord_send_messages import search_entities_tool

create_tool = create_entity_tool
search_tool = search_entities_tool

調用​

使用參數直接調用​

以下是一個簡單的範例，說明如何在字典中使用關鍵字引數調用工具。

from langchain_taiga.tools.taiga_tools import (
    add_attachment_by_ref_tool,
    add_comment_by_ref_tool,
    create_entity_tool,
    get_entity_by_ref_tool,
    search_entities_tool,
    update_entity_by_ref_tool,
)

response = create_entity_tool.invoke(
    {
        "project_slug": "slug",
        "entity_type": "us",
        "subject": "subject",
        "status": "new",
        "description": "desc",
        "parent_ref": 5,
        "assign_to": "user",
        "due_date": "2022-01-01",
        "tags": ["tag1", "tag2"],
    }
)

response = search_entities_tool.invoke(
    {"project_slug": "slug", "query": "query", "entity_type": "task"}
)

response = get_entity_by_ref_tool.invoke(
    {"entity_type": "user_story", "project_id": 1, "ref": "1"}
)

response = update_entity_by_ref_tool.invoke(
    {"project_slug": "slug", "entity_ref": 555, "entity_type": "us"}
)


response = add_comment_by_ref_tool.invoke(
    {"project_slug": "slug", "entity_ref": 3, "entity_type": "us", "comment": "new"}
)

response = add_attachment_by_ref_tool.invoke(
    {
        "project_slug": "slug",
        "entity_ref": 3,
        "entity_type": "us",
        "attachment_url": "url",
        "content_type": "png",
        "description": "desc",
    }
)

使用 ToolCall 調用​

如果您有模型產生的 ToolCall，請以如下所示的格式將其傳遞給 tool.invoke()。

# This is usually generated by a model, but we'll create a tool call directly for demo purposes.
model_generated_tool_call = {
    "args": {"project_slug": "slug", "query": "query", "entity_type": "task"},
    "id": "1",
    "name": search_entities_tool.name,
    "type": "tool_call",
}
tool.invoke(model_generated_tool_call)

鏈接​

以下是一個更完整的範例，展示了如何在鏈或代理程式中將 create_entity_tool 和 search_entities_tool 工具與 LLM 整合。 此範例假設您有一個函數（例如 create_react_agent），用於設定一個 LangChain 風格的代理程式，該代理程式能够在適當的時候調用工具。

# Example: Using Taiga Tools in an Agent

from langgraph.prebuilt import create_react_agent
from langchain_taiga.tools.taiga_tools import create_entity_tool, search_entities_tool

# 1. Instantiate or configure your language model
# (Replace with your actual LLM, e.g., ChatOpenAI(temperature=0))
llm = ...

# 2. Build an agent that has access to these tools
agent_executor = create_react_agent(llm, [create_entity_tool, search_entities_tool])

# 4. Formulate a user query that may invoke one or both tools
example_query = "Please create a new user story with the subject 'subject' in slug project: 'slug'"

# 5. Execute the agent in streaming mode (or however your code is structured)
events = agent_executor.stream(
    {"messages": [("user", example_query)]},
    stream_mode="values",
)

# 6. Print out the model's responses (and any tool outputs) as they arrive
for event in events:
    event["messages"][-1].pretty_print()
API 參考文檔：create_react_agent

API 參考文檔​

請參閱文檔字串：

以獲取使用細節、參數和進階配置。

此頁面是否有幫助？