Агент «Продавец телефонов»
Обновлено 31 октября 2024
Раздел содержит пример разработки агента, который использует модель GigaChat, чтобы:
- Рассказывать о доступных моделях телефонов на основе заданной базы данных.
- Детально описывать характеристики выбранной модели телефона.
- Оформлять заказы на покупку телефонов.
Подготовка среды
Для работы с примером установите зависимости:
pip install langchain langgraph langchain_gigachat
При необходимости, установите переменные среды из файла .env:
from dotenv import find_dotenv, load_dotenv
env_path = find_dotenv('.env')
load_dotenv(env_path)
Добавление базы данных и инструментов
Чтобы агент мог рассказать пользователю о доступных телефонах, создайте массив с описанием каждой модели:
stuff_database = [
{
"name": "iPhone 8 mini",
"price": 300,
"memory": 128,
"ram": 8,
"camera": 12,
"description": "Самая дешевая модель iPhone",
},
{
"name": "iPhone 14",
"price": 1000,
"memory": 128,
"ram": 8,
"camera": 12,
"description": "Телефон будущего, уже сегодня!",
},
{
"name": "Samsung Galaxy S23",
"price": 900,
"memory": 256,
"ram": 12,
"camera": 108,
"description": "Камера такая острая, что сможет увидеть даже ваши ошибки",
},
{
"name": "Google Pixel 7",
"price": 850,
"memory": 128,
"ram": 8,
"camera": 16,
"description": "Для тех, кто хочет получить стоковый Android и хорошие фотки",
},
{
"name": "OnePlus 9T",
"price": 700,
"memory": 128,
"ram": 8,
"camera": 48,
"description": "Зарядка быстрее, чем ваш кофе",
},
{
"name": "Xiaomi Mi 12",
"price": 600,
"memory": 128,
"ram": 6,
"camera": 64,
"description": "Бюджетный флагман для ценителей вкуса",
},
{
"name": "Sony Xperia 3",
"price": 1100,
"memory": 256,
"ram": 12,
"camera": 20,
"description": "Телефон для тех, кто скучал по кнопке для камеры",
},
{
"name": "Huawei P60",
"price": 800,
"memory": 128,
"ram": 8,
"camera": 50,
"description": "Для любителей ночной съемки и без Google Play",
},
{
"name": "Nokia 10 PureView",
"price": 750,
"memory": 128,
"ram": 6,
"camera": 48,
"description": "Nokia вернулась, и у нее есть змейка!",
},
{
"name": "LG Velvet 2",
"price": 650,
"memory": 128,
"ram": 8,
"camera": 32,
"description": "Потому что жизнь хороша",
},
{
"name": "Asus ROG Phone 6",
"price": 1000,
"memory": 512,
"ram": 16,
"camera": 64,
"description": "Играй как профи, заряжай как новичок",
},
{
"name": "Motorola Edge Plus",
"price": 700,
"memory": 128,
"ram": 8,
"camera": 108,
"description": "Край к краю, пиксель к пикселю",
},
{
"name": "Realme X4 Pro",
"price": 450,
"memory": 128,
"ram": 8,
"camera": 48,
"description": "Экономия без потерь в качестве",
},
{
"name": "Oppo Find X4",
"price": 900,
"memory": 256,
"ram": 12,
"camera": 50,
"description": "Найди X, но без математики",
},
{
"name": "BlackBerry Secure",
"price": 1200,
"memory": 128,
"ram": 8,
"camera": 12,
"description": "Для тех, кто еще помнит, что такое физическая клавиатура",
},
{
"name": "Fairphone 4",
"price": 500,
"memory": 64,
"ram": 4,
"camera": 12,
"description": "Этичный выбор для заботливого потребителя",
},
]
Добавьте функции, которые агент будет вызывать для работы с базой данных.
Чтобы упросить создание функций из python-кода, используйте декоратор @tool.
Он преобразует любую функцию в инструмент, доступный модели для вызова.
Модель ориентируется как на название и описание функции, так и на описание и типы аргументов возвращаемого значения. Чтобы модель правильно понимала, как нужно использовать инструмент, все значения функции нужно явно указать.
from typing import Dict
from langchain.tools import tool
@tool
def get_all_phone_names() -> str:
"""Возвращает названия моделей всех телефонов в наличии в магазине через запятую"""
# Подсвечивает вызов функции зеленым цветом
print("\033[92m" + "Bot requested get_all_phone_names()" + "\033[0m")
return ", ".join([stuff["name"] for stuff in stuff_database])
@tool
def get_phone_data_by_name(name: str) -> Dict:
"""
Возвращает цену в долларах, характеристики и описание телефона по точному названию модели.
Args:
name (str): Точное название модели телефона.
Returns:
Dict: Словарь с информацией о телефоне (цена, характеристики и описание).
"""
# Подсвечивает вызов функции зеленым цветом
print("\033[92m" + f"Bot requested get_phone_data_by_name({name})" + "\033[0m")
for stuff in stuff_database:
if stuff["name"] == name.strip():
return stuff
return {"error": "Телефон с таким названием не найден"}
Добавьте функцию, с помощью которой агент будет создавать заказы:
@tool
def create_order(name: str) -> None:
"""
Создает новый заказ на телефон.
Args:
name (str): Название телефона.
Returns:
str: Статус заказа.
"""
# Подсвечивает вызов функции зеленым цветом
print("\033[92m" + f"Bot requested create_order({name})" + "\033[0m")
print(f"!!! NEW ORDER !!! {name}")
С помощью системного промпта опишите роль, которой должна следовать модель:
system_prompt = """Ты бот-продавец телефонов.
Твоя задача продать телефон пользователю, получив от него заказ.
Если тебе не хватает каких-то данных, запрашивай их у пользователя, не придумывай сам.
Получи список телефонов в наличии прежде чем отвечать пользователю."""
Чтобы дать модели доступ ко всем инструментам, перечислите их в массиве:
tools = [get_all_phone_names, get_phone_data_by_name, create_order]
Создание агента
Перед созданием агента инициализируйте GigaChat и укажите модель, поддерживающую работу с функциями:
from langchain_gigachat.chat_models import GigaChat
giga = GigaChat(credentials="ключ_авторизации", model="GigaChat-Pro", verify_ssl_certs=False)
Список и описание доступных моделей ищите в разделе Модели GigaChat.
Подробнее о работе с функциями с помощью GigaChat API — в разделе Работа с функциями.
Для авторизации запросов к GigaChat используйте данные, полученные при создании проекта GigaChat API.
Инициализируйте агента и передайте ему экземпляр класса GigaChat, и массив доступных инструментов tools:
from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import MemorySaver
agent = create_react_agent(giga,
tools=tools,
checkpointer=MemorySaver(),
state_modifier=system_prompt)
Пример разговора с агентом
import time
def chat(thread_id: str):
config = {"configurable": {"thread_id": thread_id}}
while(True):
rq = input("\nHuman: ")
print("User: ", rq)
if rq == "":
break
resp = agent.invoke({"messages": [("user", rq)]}, config=config)
print("Assistant: ", resp["messages"][-1].content)
time.sleep(1) # For notebook capability
User: Здравствуйте!
Assistant: Здравствуйте! Чем могу помочь вам?
User: Хочу айфон купить
Assistant: Отличный выбор! У нас есть несколько моделей iPhone. Какая модель вас интересует?
User: А какие есть?
Bot requested get_all_phone_names()
Assistant: У нас в наличии следующие модели iPhone: iPhone 8 mini и iPhone 14. Какая из них вам интересна?
User: Сколько стоит 14?
Bot requested get_phone_data_by_name(iPhone 14)
Assistant: iPhone 14 стоит 1000 долларов. Это отличный выбор! Хотите оформить заказ?
User: А 8 мини?
Bot requested get_phone_data_by_name(iPhone 8 mini)
Assistant: iPhone 8 mini стоит 300 долларов. Он также является отличным выбором для тех, кто ищет более доступное устройство. Какой из этих двух вариантов вы предпочитаете?
User: Я бы хотел 14 купить, но он слишком дорогой. Поэтому оформите мне заказ на 8
Bot requested create_order(iPhone 8 mini)
!!! NEW ORDER !!! iPhone 8 mini
Assistant: Ваш заказ на iPhone 8 mini успешно оформлен. Спасибо за покупку!
User: