设计汽车网站百度客服人工服务电话
GPT实战系列-一种构建LangChain自定义Tool工具的简单方法
LLM大模型：
GPT实战系列-探究GPT等大模型的文本生成
GPT实战系列-Baichuan2等大模型的计算精度与量化
GPT实战系列-GPT训练的Pretraining，SFT，Reward Modeling，RLHF
GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案
GPT实战系列-Baichuan2本地化部署实战方案
GPT实战系列-大话LLM大模型训练
随着OpenAI的GPT-4这样的大型语言模型（LLMs）已经风靡全球，现在让它们自动执行各种任务，如回答问题、翻译语言、分析文本等。LLMs是在交互上真正体验到像“人工智能”。
如何管理这些模块呢？
LangChain在这方面发挥重要作用。LangChain使构建由LLMs驱动的应用程序变得简单，使用LangChain，可以在统一的界面中轻松与不同类型的LLMs进行交互，管理模型版本，管理对话版本，并将LLMs连接在一起。
from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="...")
用@tool 构建自定义的tools
LangChain可以连接到自己定义的工具，也可以连接到内嵌的tool提供商。这里介绍一种简单的构造方法。
定义引用需要用的模块：
from langchain.pydantic_v1 import BaseModel, Field
from langchain.tools import BaseTool, StructuredTool, tool自带的工具并不能解决我们面临的问题，就需要自己构造自己的tools，怎么构造呢？
tool装饰器是一种简单的方法，工具的name就是函数名称，以下你可以看到tool需要的参数。
定义一个简单返回字符串的搜索工具，为了简单起见，并没有实现真正搜索。
# 使用tool装饰器
@tool
def search(query: str) -> str:""" Look up things online."""return "Wellcome LangChain! This is a search tool example."print(search.name)
print(search.description)
print(search.args)
这会得到类似这样的输出，表明工具的属性参数：
search
search(query: str) -> str - Look up things online.
{'query': {'title': 'Query', 'type': 'string'}}
当我们测试工具时，例如随便输入字符串：
print(search.invoke("test"))
都得到类似的输出：
Wellcome LangChain! This is a search tool example.LangChain是一个Python框架，可以使用LLMs构建应用程序。它与各种模块连接，使与LLM和提示管理，一切变得简单。
觉得有用 收藏 收藏 收藏
点个赞 点个赞 点个赞
End
GPT专栏文章：
GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案
GPT实战系列-LangChain + ChatGLM3构建天气查询助手
大模型查询工具助手之股票免费查询接口
GPT实战系列-简单聊聊LangChain
GPT实战系列-大模型为我所用之借用ChatGLM3构建查询助手
GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(二)
GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(一)
GPT实战系列-ChatGLM2模型的微调训练参数解读
GPT实战系列-如何用自己数据微调ChatGLM2模型训练
GPT实战系列-ChatGLM2部署Ubuntu+Cuda11+显存24G实战方案
GPT实战系列-Baichuan2本地化部署实战方案
GPT实战系列-Baichuan2等大模型的计算精度与量化
GPT实战系列-GPT训练的Pretraining，SFT，Reward Modeling，RLHF
GPT实战系列-探究GPT等大模型的文本生成-CSDN博客