以狀態為核心：建立 RAG 搜尋工具
在上一個課程中，你已看到如何使用嵌入向量（embedding）來建立與搜尋以家電手冊為基礎的向量化知識庫。
接下來，你要建立一個自訂工具，將這段搜尋邏輯包裝起來，讓代理（agent）可以用它來回答與家電相關的問題。
你要撰寫的工具會繼承 Tool 基底類別，並只暴露一個輸入：一個關於家電操作的問題。
你已可使用以下資源：
- 名為
vector_store的變數，裡面包含你先前建立的 FAISS 索引 - 來自家電手冊內容的文件分塊，已完成嵌入，可供搜尋
你的工作是實作這個工具的結構與邏輯，讓代理可以存取這個知識庫。
本練習屬於課程
使用 Hugging Face smolagents 的 AI 代理
練習說明
- 在
__init__()方法中接受vector_store參數。 - 在
forward()方法中加入query作為參數。 - 使用
self.k來設定相似度搜尋要回傳的相關文件數量。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
class ApplianceSearchTool(Tool):
name = "appliance_manual_search"
description = "Search appliance manuals for maintenance and usage information"
inputs = {"query": {"type": "string", "description": "Question about appliance operation"}}
output_type = "string"
# Pass the vector store into the constructor
def __init__(self, ____, k=3):
super().__init__()
self.vector_store = vector_store
self.k = k
# Accept the query string as input to the forward method
def forward(self, ____):
# Use self.k here to specify how many chunks to return
docs = self.vector_store.similarity_search(query, k=____)
return "\n\n".join(doc.page_content for doc in docs) or "No relevant manual sections found."