使用Smolagents为AI代理构建自定义工具

LLM正在彻底改变各个领域，超越基于Web的聊天机器人，将其集成到企业和政府中。一个重大进步是使用smolagents为AI代理创建自定义工具，从而扩大其功能。 smolagents赋予了AI代理的能力，可以利用工具，在定义的环境中执行操作，甚至与其他代理进行交互。

这种方法增强了LLM驱动的AI Systems的自主权，从而提高了其可靠性，以完成端到端任务执行。

学习目标

• 了解AI代理，与传统LLM的区别以及使用自定义工具在现代AI应用中的作用。
• 探索为什么AI代理需要自定义工具以实时数据访问，操作执行和改进的决策。
• 在使用smolagents用于现实世界中的Smolagents集成和部署AI代理方面，获得实践经验。
• 学会创建和集成使用smolagents增强AI代理功能的自定义工具。
• 使用您的自定义工具，掌握托管和与AI代理进行互动，创建更具交互性和智能的聊天机器人体验。

*本文是***数据科学博客马拉松的一部分。

目录

• 先决条件
• 了解生成AI中的代理
• 代理工作流程
• AI代理的组件
• 工具的必要性
• smolagents库
• 我们的代码库
• 构建我们的第一个工具
• 最后一步：部署
• 概括
• 常见问题

先决条件

该教程针对熟悉基本LLM的中级开发人员和数据专业人员。假定以下内容：

• 中级Python编程技能。
• 代码中的基本LLM使用情况。
• 熟悉Genai生态系统。
• 对Python的拥抱面平台和transformers图书馆的基本了解。

最佳学习的进一步推荐背景：

• 具有LLM图书馆或Ollama等LLM图书馆的经验。
• 基本的机器学习理论知识。
• API使用和解决问题的API响应。

了解生成AI中的代理

考虑chatgpt：它回答问题，写代码等等。此功能扩展到任务完成 - 您提供了请求，并且执行了整个任务。

例如，LLM可以搜索网络和原因；结合起来，它可以创建旅行行程。您可能会问：“计划于4月1日至7日的喜马al尔邦度假，重点关注雪，滑雪，绳索和绿色景观。找到从加尔各答的最便宜的航班。”

然后，AI将比较飞行成本，建议地点并找到酒店，并在AI中展示了一种代理方法。

代理工作流程

代理使用仅通过文本与外部世界互动的LLM。

代理接收输入为文本，使用语言的原因以及输出文本。工具在这里至关重要，提供了代理商用来生成其文本响应的值。行动可以从市场交易到图像生成。

工作流程是：理解 - >原因 - >互动或更广泛：思想 - >行动 - >观察。

AI代理的组件

AI代理包括：

• 代理商的“大脑”（像Llama3，Phi4或GPT4这样的LLM）。
• 代理可以调用​​的外部工具（API，其他代理，计算器等）。

smolagents允许您使用调用函数调用的LLM创建任何Python函数。我们的示例将包括使用QWEN LLM的狗事实，时区检索和图像生成工具。

工具的必要性

LLM不再只是文本完成工具。它们是较大系统中的组件，通常需要非生成AI零件的输入。

工具弥合了Genai和其他系统组件之间的差距。 LLM有局限性：

• 知识截止日期。
• 幻觉。
• 不可预测的拒绝回答。
• 次优的Web搜索选择。

确定性工具解决了这些问题。

smolagents库

smolagents （拥抱的脸）是建筑物代理的框架。与某些输出JSON的库不同， smolagents直接输出Python代码，从而提高效率。

我们的代码库

GitHub存储库包含：

• Gradio_UI.py ：用于用户交互的Gradio UI代码。
• agent.json ：代理配置。
• requirements.txt ：项目依赖性。
• prompts.yaml ：YAML：示例提示和响应（使用Jinja模板）。
• app.py ：核心应用程序逻辑。

构建我们的第一个工具

我们将使用狗事实API（ https://www.php.cn/link/0feaf58e2a12936c84c2510541b6e75a ）。使AI代理可用的Python函数：

• 使用@tool装饰器。
• 写一个清晰的docstring。
• 添加类型注释。
• 确保清晰的回报值。
• 包括充分的评论。

 @工具
def get_amazing_dog_fact（） - > str：
    “”“从公共API中获取随机的狗事实。
    ＃...（API呼叫和错误处理）...

时区工具：

 @工具
def get_current_time_in_timezone（时区：str） - > str：
    “”“在指定的时区获取当前时间。”“”
    ＃...（时区处理）...

图像生成工具也可以集成：

 image_generation_tool = load_tool（“ agestents course/text-to-image”，trust_remote_code = true）

使用QWEN2.5-CODER-32B-INSTRUCT模型（需要访问应用程序）：

型号= hfapimodel（
    max_tokens = 2096，
    温度= 0.5，
    model_id ='qwen/qwen2.5-coder-32b-instruct'，
    ＃...
）

提示从prompts.yaml加载。创建代理：

代理= codeagent（
    模型=模型，
    工具= [get_amazing_dog_fact，get_current_time_in_timezone，image_generation_tool]，
    ＃...
）

tools参数列出了可用功能。

最后一步：部署

代理可以部署在拥抱面孔的空间上。

概括

AI代理通过工具集成增强LLM功能，增加自主权并实现复杂的任务完成。 smolagents简化了代理的创建，自定义工具将功能扩展到标准LLM之外。在拥抱面积之类的平台上的部署有助于易于共享和互动。

常见问题

Q1。什么是AI代理？ AI代理是LLM驱动的系统，该系统与执行任务的工具相互作用。

Q2。为什么需要自定义工具？它们可以实时数据访问，命令执行和LLM功能以外的操作。

Q3。什么是smolagents ？使用自定义工具创建AI代理的拥抱面部框架。

Q4。如何创建自定义工具？定义功能，用@tool进行装饰，然后集成到代理中。

Q5。在哪里部署？诸如拥抱面孔的平台。

（注意：假定图像如原始输入所包含。）

以上是使用Smolagents为AI代理构建自定义工具的详细内容。更多信息请关注PHP中文网其他相关文章！