Eigen tools maken
Nu je een functie hebt om klantgegevens uit de DataFrame customers te halen, is het tijd om deze functie om te zetten in een tool die compatibel is met LangChain-agents.
Deze oefening maakt deel uit van de cursus
LLM-toepassingen ontwikkelen met LangChain
Oefeninstructies
- Voeg de
@tool-decorator toe vóór de functiedefinitie om er een LangChain-tool van te maken. - Print de argumenten van de tool met het attribuut
.argsop de tool (bijv.tool_name.args).
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Convert the retrieve_customer_info function into a tool
____
def retrieve_customer_info(name: str) -> str:
"""Retrieve customer information based on their name."""
customer_info = customers[customers['name'] == name]
return customer_info.to_string()
# Print the tool's arguments
print(retrieve_customer_info.____)