本文我们来学习下如何在AgentScope中使用自定义的工具。

0. 开篇

在AgentScope中，自定义工具和内置工具的使用似乎没那么明显，但确实也提供了这个框架。它其实是通过一个叫 ServiceToolkit 来封装的工具。至于工具的使用，可以通过 ReActAgent 来实现。但这样使用在我看来有点问题。

先来看下具体怎么使用。

1. 在 AgentScope 中使用自定义工具

1.1 创建自定义工具

创建自定义工具，本质上是创建一个自定义函数。与LangChain和MetaGPT会通过类似 @tools 装饰器来将函数封装成框架内可用的工具不同，在 AgentScope 中，你只将函数的返回值封装成 ServiceResponse 对象即可。ServiceResponse 接收一个运行状态和一个content内容。

当然，记得要写该函数的docstring。还没细看源码，但猜测 AgentScope 内部应该是通过 docstring 来当作该工具的Prompt，并明确工具的参数和返回值。

def sum_num(a: int, b: int) -> int:
    """计算两个数的和

    Args:
        a (int): 参数1
        b (int): 参数2

    Returns:
        int: 结果
    """
    output = a + b
    status = ServiceExecStatus.SUCCESS
    return ServiceResponse(status, output)

1.2 使用自定义工具

（1）首先，你需要将该工具添加到 ServiceToolkit 中。

service_toolkit = ServiceToolkit()
service_toolkit.add(sum_num)

（2）实例化一个 ReActAgent，通过 service_toolkit 参数来将自定义工具添加进去。

self.agent = ReActAgent(
    name="assistant",
    model_config_name="openai_cfg",
    verbose=True,
    service_toolkit=service_toolkit,
    max_iters=1,
)

（3）使用该 agent 即可

msg = Msg("user", query, role="user")
return self.agent(msg)

2. 完整代码与运行结果

完整代码如下:

from agentscope.agents.react_agent importReActAgent

import agentscope
from agentscope.message importMsg
import os

from agentscope.service import(
ServiceToolkit,
ServiceResponse,
ServiceExecStatus,
)

openai_api_key = os.getenv('OPENAI_API_KEY')

# 此Agent的模型配置，按需修改
OPENAI_CFG_DICT ={
"config_name":"openai_cfg",# 此配置的名称，必须保证唯一
"model_type":"openai",# 模型类型
"model_name":"gpt-3.5-turbo",# 模型名称
"api_key": openai_api_key,# OpenAI API key. 如果没有设置，将使用环境变量中的 OPENAI_API_KEY
}

defsum_num(a: int, b: int)->int:
"""计算两个数的和

    Args:
        a (int): 参数1
        b (int): 参数2

    Returns:
        int: 结果
    """
    output = a + b
    status =ServiceExecStatus.SUCCESS
returnServiceResponse(status, output)


classToolDemo:
def__init__(self):
# Prepare the tools for the agent
        service_toolkit =ServiceToolkit()
        service_toolkit.add(sum_num)

        agentscope.init(model_configs=[OPENAI_CFG_DICT])

        self.agent =ReActAgent(
            name="assistant",
            model_config_name="openai_cfg",
            verbose=True,
            service_toolkit=service_toolkit,
            max_iters=1,
)

definvoke(self, query):
        msg =Msg("user", query, role="user")
return self.agent(msg)

if __name__ =='__main__':
    tool_demo =ToolDemo()
    response = tool_demo.invoke("你是谁？")
print(response)

运行结果：

可以看到它成功识别并使用了 sum_num 这个工具。

3. 存在的问题 - 一些思考，仅供参考

文章开始，我提到了通过 ReActAgent 来实现使用工具在我看来有点问题。

首先，ReActAgent 是实现的ReAct思想，即思考+行动。大模型先思考下一步该干什么，然后执行。这对于只想判断是否应该使用工具的场景来说，有点浪费。细心的同学可能发现了，在ReActAgent初始化的过程中，有个 max_iters 参数。这是最大的迭代步数，也就是思考多少次。判断一个工具的使用，其实只需要一次思考即可。（个人意见，欢迎讨论）。

其次，ReActAgent 最终的返回，是最终的结论，中间过程外部不可见。如果想要获取中间过程，需要自己实现，不能用 ReActAgent 了。目前还没看到 AgentScope 中有类似 LangChain 那样直接 bind_tools 或 bind_functions 这样的接口封装，让用户在执行之后可以获取是否需要调用工具的判断。

当识别到工具时，返回的结果是类似下图这样：

没有识别到工具时，返回的结果是类似下图这样：

难道可以通过这个返回值中有无 function 参数来判断是否使用过工具？感觉不太靠谱啊... 可能还是得自己写一个吧。欢迎熟悉的大佬指教！感谢！