【LangChain v0.2入門】第5回:エージェントの構築

# 必要なライブラリをインストール
!pip install langchain
!pip install langchain-openai
!pip install langchain-community
!pip install langchain-chroma

import os
from google.colab import userdata

# 環境変数の準備
os.environ["OPENAI_API_KEY"] = userdata.get("OPENAI_API_KEY")

from langchain_community.tools.tavily_search import TavilySearchResults

# Tavilyツールの準備
search = TavilySearchResults(max_results=2)

# Tavilyツールの実行
search.invoke("東京の明日の天気は？")

[{'url': 'https://tenki.jp/forecast/3/16/',
  'content': '東京都の天気予報です。市区町村別の今日の天気、気温、降水確率が地図上に表示されているので、ひと目でわかります。タブ切り替えで10日間 ...'},
 {'url': 'https://weathernews.jp/onebox/tenki/tokyo/',
  'content': '東京の最新天気情報。よく当たる1時間毎のピンポイント天気、現在の気温や湿度、雨雲レーダー、週間天気が確認できます。都市、施設名、観光名所による検索もこちらで!'}]

from langchain_openai import ChatOpenAI

# LLMの準備
llm = ChatOpenAI(model="gpt-4o")

# ツールのリストを作成し、検索ツールを追加
tools = [search]

# ツールを言語モデルにバインド
model_with_tools = llm.bind_tools(tools)

from langchain_core.messages import HumanMessage

# ヒューマンメッセージを作成し、モデルにクエリを実行させる
response = model_with_tools.invoke([HumanMessage(content="東京の明日の天気を知りたい")])

# レスポンスのコンテンツを表示
print(f"ContentString: {response.content}")

# 使用されたツールコールを表示
print(f"ToolCalls: {response.tool_calls}")

ContentString: 
ToolCalls: [{'name': 'tavily_search_results_json', 'args': {'query': '東京 明日 天気'}, 'id': 'call_MonqfttgEE5iUi5CMiZ8ZQvz'}]

from langgraph.prebuilt import create_react_agent

# エージェントの実行器を作成
agent_executor = create_react_agent(llm, tools)

# HumanMessageを作成してエージェントに送信し、応答を取得
response = agent_executor.invoke({"messages": [HumanMessage(content="こんにちは。今日はいい天気ですね。")]})

# 応答メッセージの内容を表示
print(f'ContentString: {response["messages"][-1].content}')

# 2番目のメッセージの追加キーワードを表示
print(f'ContentString: {response["messages"][1].additional_kwargs}')

ContentString: こんにちは！お天気がいいと気分も上がりますよね。今日は何か特別な予定がありますか？
ContentString: {}

# HumanMessageを作成してエージェントに送信し、応答を取得
response = agent_executor.invoke(    {"messages": [HumanMessage(content="こんにちは。東京の明日の天気を知りたい")]})

# 応答メッセージの内容を表示
print(f'ContentString: {response["messages"][-1].content}')

# 2番目のメッセージの追加キーワードを表示
print(f'ContentString: {response["messages"][1].additional_kwargs}')

ContentString: 東京の明日の天気予報は次の通りです：

- 予報：晴れ時々曇り
- 最高気温：約32°C
- 最低気温：約22°C
- 降水確率：低い
- 風速：約15.1 km/h

詳細な情報は、以下のリンクからも確認できます：
- [WeatherAPI](https://www.weatherapi.com/)
- [World-Weather](https://world-weather.info/forecast/japan/tokyo/june-2024/)

必要な場合は、これらのリンクを参照してください。
ContentString: {'tool_calls': [{'id': 'call_WJf7P0FCRQ9qPxWOmv4mBSQj', 'function': {'arguments': '{"query":"Tokyo weather forecast for tomorrow"}', 'name': 'tavily_search_results_json'}, 'type': 'function'}]}

from langgraph.checkpoint.sqlite import SqliteSaver

# メモリーの準備
memory = SqliteSaver.from_conn_string(":memory:")

# LLMエージェントを作成し、メモリーをチェックポイントとして設定
agent_executor = create_react_agent(llm, tools, checkpointer=memory)

# エージェントのコンフィグレーション設定
config = {"configurable": {"thread_id": "abc123"}}

# エージェントにメッセージを送信し、レスポンスをストリーム出力
for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="こんにちは。私は東京に遊びに来ています。")]}, config
):
    print(chunk)  # レスポンスの各チャンクを出力

こんにちは！東京にようこそ！どこか特定の場所に行く予定がありますか？それともおすすめの観光スポットやアクティビティを知りたいですか？お手伝いできることがあれば教えてくださいね。

# 過去の会話内容の質問応答
for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="明日の天気は？")]}, config
):
    print(chunk)
    print("----")

明日の東京の天気は「晴れ一時曇り」の予報です。快適な日になりそうですが、念のため軽い上着を持っておくと良いかもしれません。

何か他に知りたいことがあれば教えてくださいね！