Passio NutritionAI

为了更好地理解 NutritionAI 如何赋予您的代理超级食物营养能力，让我们构建一个代理，它可以通过 Passio NutritionAI 查找这些信息。

定义工具

Passio Nutrition AI

我们在 LangChain 中内置了一个工具，可以轻松使用 Passio NutritionAI 查找食物营养成分。请注意，这需要 API 密钥 - 他们有免费套餐。创建 API 密钥后，您需要将其导出为：

export NUTRITIONAI_SUBSCRIPTION_KEY="..."

... 或通过其他方式（例如 `dotenv` 包）将其提供给您的 Python 环境。您也可以通过构造函数调用显式控制密钥。

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"
)

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，我们可以创建一个将在下游使用的工具列表。

tools = [nutritionai_search]

创建代理

现在我们已经定义了工具，我们可以创建代理了。我们将使用 OpenAI Functions 代理 - 有关此类型代理以及其他选项的更多信息，请参阅此指南首先，我们选择希望指导代理的 LLM。

from langchain_openai import ChatOpenAI

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

接下来，我们选择要用于指导代理的提示。

from langchain_classic import hub

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/openai-functions-agent")
prompt.messages

[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、提示和工具初始化代理。代理负责接收输入并决定要采取的行动。至关重要的是，代理不执行这些行动 - 这由 AgentExecutor 完成（下一步）。有关如何思考这些组件的更多信息，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)

最后，我们将代理（大脑）与 AgentExecutor 中的工具（它将重复调用代理并执行工具）结合起来。有关如何思考这些组件的更多信息，请参阅我们的概念指南

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

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?"})

如果我们想自动跟踪这些消息，我们可以将其封装在 RunnableWithMessageHistory 中。

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

就这样！在这个快速入门中，我们介绍了如何创建一个能够将食物营养信息纳入其答案的简单代理。代理是一个复杂的话题，还有很多东西要学习！

在 GitHub 上编辑此页面源文件。

以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。

热门提供商

按组件划分的集成

定义工具