Skip to main content
Open In ColabOpen on GitHub

Passio 营养 AI

为了更好地理解NutritionAI如何为您的智能体赋予强大的食物营养能力，让我们构建一个能够通过Passio NutritionAI获取该信息的智能体。

定义工具​

我们首先需要创建Passio NutritionAI工具。

Passio 营养 AI​

我们已经在LangChain中内置了一个工具，可以轻松使用Passio NutritionAI来查找食物营养信息。 请注意，这需要一个API密钥——他们有一个免费套餐。

一旦您创建了 API 密钥，您需要将其导出为：

export NUTRITIONAI_SUBSCRIPTION_KEY="..."

... 或者通过其他方式将其提供给您的Python环境，例如使用dotenv包。您还可以通过构造函数调用显式控制键。

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
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，就可以创建一个我们将要使用的工具列表。

tools = [nutritionai_search]

创建智能体​

现在我们已经定义了工具，接下来可以创建代理了。我们将使用一个OpenAI Functions代理 - 如需了解这种类型的代理以及其它选项，请参见这份指南

首先，我们选择想要引导代理的大型语言模型。

from langchain_openai import ChatOpenAI

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

接下来，我们选择用于引导代理的提示。

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:中心
[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采取什么行动。至关重要的是，代理不会执行这些操作——这由AgentExecutor（下一步）完成。要了解这些组件的思考方式，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)

最终，我们将代理（大脑）与AgentExecutor内的工具结合在一起（AgentExecutor将会重复调用代理并执行工具）。有关这些组件的思考方式的更多信息，请参阅我们的概念性指南。

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
API 参考:代理执行器

运行智能体​

我们现在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?"})

如果要自动跟踪这些消息，可以将其包裹在RunnableWithMessageHistory中。有关更多使用信息，请参见此指南。

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​

那这就结束了！在本快速入门中，我们介绍了如何创建一个简单的代理，使其能够将食物营养信息纳入其回答。代理是一个复杂的主题，还有很多东西需要学习！