OpenAI 助手
助手 API (opens in a new tab) 允许您在自己的应用程序中构建 AI 助手。助手具有说明并可以利用模型、工具和知识来回答用户查询。助手 API 当前支持三种类型的工具：代码解释器、检索和功能调用。
您可以使用 OpenAI 工具或自定义工具与 OpenAI 助手进行交互。当仅使用 OpenAI 工具时，您可以直接调用助手并获得最终答案。当使用自定义工具时，您可以使用内置的 AgentExecutor 运行助手和工具执行循环，或者轻松地编写您自己的执行程序。
以下是与助手交互的不同方式。作为一个简单的例子，让我们构建一个数学辅导员，可以编写和运行代码。
仅使用 OpenAI 工具
from langchain.agents.openai_assistant import OpenAIAssistantRunnableinterpreter_assistant = OpenAIAssistantRunnable.create_assistant(
name="langchain assistant",
instructions="您是一位个人数学辅导员。编写和运行代码来回答数学问题。",
tools=[{"type": "code_interpreter"}],
model="gpt-4-1106-preview",
)
output = interpreter_assistant.invoke({"content": "10 - 4的2.7次方是多少"})
output[ThreadMessage(id ='msg_qgxkD5kvkZyl0qOaL4czPFkZ', assistant_id ='asst_0T8S7CJuUa4Y4hm1PF6n62v7', content =[MessageContentText(text = Text(annotations =[], value ='计算\\(10 - 4^{2.7}\\)的结果约为\\(-32.224\\)。'), type ='text')], created_at = 1700169519, file_ids = [], metadata ={}, object ='thread.message', role ='assistant', run_id ='run_aH3ZgSWNk3vYIBQm3vpE8tr4', thread_id ='thread_9K6cYfx1RBh0pOWD8SxwVWW9')]作为 LangChain 代理使用任意工具
现在让我们使用自己的工具重新创建此功能。在这个例子中，我们将使用 E2B sandbox runtime 工具 (opens in a new tab)。
%pip install --upgrade --quiet e2b duckduckgo-searchimport getpass
from langchain_community.tools import DuckDuckGoSearchRun, E2BDataAnalysisTool
tools = [E2BDataAnalysisTool(api_key=getpass.getpass()), DuckDuckGoSearchRun()]agent = OpenAIAssistantRunnable.create_assistant(
name="langchain assistant e2b tool",
instructions="您是一位个人数学辅导员。编写和运行代码来回答数学问题。您还可以搜索互联网。",
tools=tools,
model="gpt-4-1106-preview",
as_agent=True,
)使用 AgentExecutor
OpenAIAssistantRunnable 兼容 AgentExecutor，因此我们可以直接将其作为一个代理传递给执行程序。AgentExecutor 负责调用所调用的工具并将工具输出上传到 Assistants API。此外，它还附带内置的 LangSmith 跟踪。
from langchain.agents import AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools)
agent_executor.invoke({"content": "旧金山今天的天气除以2.7"}){'content': '旧金山今天的天气除以 2.7',
'output': '搜索结果显示，旧金山的天气为 67°F。现在我将这个温度除以 2.7 并为您提供结果。请注意，这是一个数学运算，不代表一个有意义的物理量。\n\n 我们计算一下 67°F 除以 2.7。\n 当前旧金山的温度为 67°F，除以 2.7 的结果约为 24.815。',
'thread_id': 'thread_hcpYI0tfpB9mHa9d95W7nK2B',
'run_id': 'run_qOuVmPXS9xlV3XNPcfP8P9W2'}::: ⚠⚠⚠
LangSmith 跟踪 (opens in a new tab)
:::
自定义执行
或者使用 LCEL，我们可以轻松编写自己的执行循环来运行助手。这样我们就完全控制了执行过程。
agent = OpenAIAssistantRunnable.create_assistant(
name="langchain assistant e2b tool",
instructions="您是一位个人数学辅导员。编写和运行代码来回答数学问题。",
tools=tools,
model="gpt-4-1106-preview",
as_agent=True,
)from langchain_core.agents import AgentFinish
def execute_agent(agent, tools, input):
tool_map = {tool.name: tool for tool in tools}
response = agent.invoke(input)
while not isinstance(response, AgentFinish):
tool_outputs = []
for action in response:
tool_output = tool_map[action.tool].invoke(action.tool_input)
print(action.tool, action.tool_input, tool_output, end="\n\n")
tool_outputs.append(
{"output": tool_output, "tool_call_id": action.tool_call_id}
)
response = agent.invoke(
{
"tool_outputs": tool_outputs,
"run_id": action.run_id,
"thread_id": action.thread_id,
}
)
return responseresponse = execute_agent(agent, tools, {"content": "10 - 4的2.7次方是多少"})
print(response.return_values["output"])e2b_data_analysis {'python_code': 'result = 10 - 4 ** 2.7\nprint(result)'} {"stdout": "-32.22425314473263", "stderr": "", "artifacts": []}
\( 10 - 4^{2.7} \) 约为 -32.224。使用现有线程
要使用现有线程，我们只需要在调用代理时传递“thread_id”即可。
next_response = execute_agent(
agent,
tools,
{"content": "现在加上17.241", "thread_id": response.return_values["thread_id"]},
)
print(next_response.return_values["output"])e2b_data_analysis {'python_code': 'result = 10 - 4 ** 2.7 + 17.241\nprint(result)'} {"stdout": "-14.983253144732629", "stderr": "", "artifacts": []}
\( 10 - 4^{2.7} + 17.241 \) 约为 -14.983。使用现有助手
要使用现有助手，我们可以直接使用 OpenAIAssistantRunnable 初始化，并将 assistant_id 传递给它。
agent = OpenAIAssistantRunnable(assistant_id="<ASSISTANT_ID>", as_agent=True)