Eden AI
Eden AI 正在通过联合最优秀的 AI 提供商来彻底改变 AI 领域，使用户能够解锁无限可能性，挖掘人工智能的真正潜力。凭借一个全面且无忧的平台，它允许用户快速将 AI 功能部署到生产环境中，通过单一 API 轻松访问全方位的 AI 能力。(网站: https://edenai.co/)
本示例介绍如何使用 LangChain 与 Eden AI 模型进行交互
EdenAI 超越了简单的模型调用。它为您提供了高级功能，包括：
多个提供商：访问各种提供商提供的多样语言模型，让您可以自由选择最适合您用例的模型。
回退机制：设置回退机制，确保即使主要提供商不可用，您也可以轻松切换到备选提供商，从而确保操作的无缝进行。
使用统计：按项目和 API 密钥跟踪使用统计数据。此功能使您能够有效监控和管理资源消耗。
监控和可观察性：
EdenAI在平台上提供全面的监控和可观察性工具。监控您的语言模型性能，分析使用模式，并获得有价值的见解以优化您的应用程序。
访问 EDENAI 的 API 需要一个 API 密钥，
您可以通过创建账户 https://app.edenai.run/user/register 获取密钥，并前往 https://app.edenai.run/admin/iam/api-keys
一旦我们有了密钥，我们将通过运行以下命令将其设置为环境变量：
export EDENAI_API_KEY="..."
您可以在 API 参考中找到更多详细信息 : https://docs.edenai.co/reference
如果您不想设置环境变量，可以在初始化 EdenAI Chat Model 类时通过名为 edenai_api_key 的参数直接传递密钥。
from langchain_community.chat_models.edenai import ChatEdenAI
from langchain_core.messages import HumanMessage
chat = ChatEdenAI(
edenai_api_key="...", provider="openai", temperature=0.2, max_tokens=250
)
messages = [HumanMessage(content="Hello !")]
chat.invoke(messages)
AIMessage(content='Hello! How can I assist you today?')
await chat.ainvoke(messages)
AIMessage(content='Hello! How can I assist you today?')
流式处理与批处理
ChatEdenAI 支持流式处理和批处理。以下是一个示例。
for chunk in chat.stream(messages):
print(chunk.content, end="", flush=True)
Hello! How can I assist you today?
chat.batch([messages])
[AIMessage(content='Hello! How can I assist you today?')]
备用机制
使用 Eden AI，您可以设置备用机制，以确保即使主要提供商不可用，操作也能无缝进行，您可以轻松切换到替代提供商。
chat = ChatEdenAI(
edenai_api_key="...",
provider="openai",
temperature=0.2,
max_tokens=250,
fallback_providers="google",
)
在这个例子中，如果 OpenAI 遇到任何问题，您可以使用 Google 作为备份提供商。
有关 Eden AI 的更多信息和详细信息，请查看此链接： : https://docs.edenai.co/docs/additional-parameters
链式调用
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_template(
"What is a good name for a company that makes {product}?"
)
chain = prompt | chat
chain.invoke({"product": "healthy snacks"})
AIMessage(content='VitalBites')
工具
bind_tools()
通过 ChatEdenAI.bind_tools，我们可以轻松地将 Pydantic 类、字典模式、LangChain 工具，甚至函数作为工具传递给模型。
from langchain_core.pydantic_v1 import BaseModel, Field
llm = ChatEdenAI(provider="openai", temperature=0.2, max_tokens=500)
class GetWeather(BaseModel):
"""获取给定位置的当前天气"""
location: str = Field(..., description="城市和州，例如：旧金山，加州")
llm_with_tools = llm.bind_tools([GetWeather])
ai_msg = llm_with_tools.invoke(
"旧金山的天气怎么样",
)
ai_msg
AIMessage(content='', response_metadata={'openai': {'status': 'success', 'generated_text': None, 'message': [{'role': 'user', 'message': 'what is the weather like in San Francisco', 'tools': [{'name': 'GetWeather', 'description': 'Get the current weather in a given location', 'parameters': {'type': 'object', 'properties': {'location': {'description': 'The city and state, e.g. San Francisco, CA', 'type': 'string'}}, 'required': ['location']}}], 'tool_calls': None}, {'role': 'assistant', 'message': None, 'tools': None, 'tool_calls': [{'id': 'call_tRpAO7KbQwgTjlka70mCQJdo', 'name': 'GetWeather', 'arguments': '{"location":"San Francisco"}'}]}], 'cost': 0.000194}}, id='run-5c44c01a-d7bb-4df6-835e-bda596080399-0', tool_calls=[{'name': 'GetWeather', 'args': {'location': 'San Francisco'}, 'id': 'call_tRpAO7KbQwgTjlka70mCQJdo'}])
ai_msg.tool_calls
[{'name': 'GetWeather',
'args': {'location': 'San Francisco'},
'id': 'call_tRpAO7KbQwgTjlka70mCQJdo'}]
with_structured_output()
BaseChatModel.with_structured_output 接口使从聊天模型获取结构化输出变得简单。您可以使用 ChatEdenAI.with_structured_output（在底层使用工具调用）来使模型更可靠地以特定格式返回输出：
structured_llm = llm.with_structured_output(GetWeather)
structured_llm.invoke(
"what is the weather like in San Francisco",
)
GetWeather(location='San Francisco')
将工具结果传递给模型
这是一个如何使用工具的完整示例。将工具的输出传递给模型，并从模型中获取结果。
from langchain_core.messages import HumanMessage, ToolMessage
from langchain_core.tools import tool
@tool
def add(a: int, b: int) -> int:
"""Adds a and b.
Args:
a: first int
b: second int
"""
return a + b
llm = ChatEdenAI(
provider="openai",
max_tokens=1000,
temperature=0.2,
)
llm_with_tools = llm.bind_tools([add], tool_choice="required")
query = "What is 11 + 11?"
messages = [HumanMessage(query)]
ai_msg = llm_with_tools.invoke(messages)
messages.append(ai_msg)
tool_call = ai_msg.tool_calls[0]
tool_output = add.invoke(tool_call["args"])
# This append the result from our tool to the model
messages.append(ToolMessage(tool_output, tool_call_id=tool_call["id"]))
llm_with_tools.invoke(messages).content
'11 + 11 = 22'
流式传输
Eden AI 目前不支持流式工具调用。尝试进行流式传输将只返回一条最终消息。
list(llm_with_tools.stream("What's 9 + 9"))
/home/eden/Projects/edenai-langchain/libs/community/langchain_community/chat_models/edenai.py:603: UserWarning: stream: Tool use is not yet supported in streaming mode.
warnings.warn("stream: Tool use is not yet supported in streaming mode.")
[AIMessageChunk(content='', id='run-fae32908-ec48-4ab2-ad96-bb0d0511754f', tool_calls=[{'name': 'add', 'args': {'a': 9, 'b': 9}, 'id': 'call_n0Tm7I9zERWa6UpxCAVCweLN'}], tool_call_chunks=[{'name': 'add', 'args': '{"a": 9, "b": 9}', 'id': 'call_n0Tm7I9zERWa6UpxCAVCweLN', 'index': 0}])]