什麼是 Tools？

Tools 就是外部功能的接口，Agent 可以根據需求主動呼叫：

• Python 函式（計算、資料處理）
• Web API（查天氣、股票）
• 自訂流程（你自己寫的功能）

👉 Agent 會判斷「何時使用工具」並將結果整合回回答。

環境準備

套件安裝

pip install langchain-google-genai faiss-cpu langchain_community sentence-transformers requests

API Key 取得方式

• Gemini API Key → 到 Google AI Studio 申請
• OpenWeatherMap API Key → 到 OpenWeatherMap 申請

準備 FAQ 文件

建立一個 faq.txt 檔案，內容如下：

Q: 什麼是 LangChain？
A: LangChain 是一個幫助開發者快速構建 LLM 應用的框架。

Q: 我可以用哪些 LLM 搭配 LangChain？
A: 可以用 OpenAI、Gemini、Claude、Llama 等多種模型。

Q: LangChain 的核心功能有哪些？
A: 包含 Chains、Memory、Tools、Agents。

Q: LangChain 的 Tools 有什麼用？
A: Tools 可以讓 Agent 呼叫外部工具，例如計算器、API、資料庫。

Q: LangChain 的 Agents 有什麼特色？
A: Agents 可以根據問題，自動決定要不要使用工具，並給出答案。

建立 FAQ 知識庫

import os, requests, time
from langchain.text_splitter import CharacterTextSplitter
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from langchain.tools import Tool
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain.agents import initialize_agent, AgentType

os.environ["GOOGLE_API_KEY"] = ""   # Gemini API Key
API_KEY = ""                        # OpenWeatherMap API Key
UNITS, LANG = "metric", "zh_tw"

# 讀取 FAQ
with open("faq.txt", "r", encoding="utf-8") as f:
    text = f.read()

# 切分文件
splitter = CharacterTextSplitter(chunk_size=200, chunk_overlap=50)
docs = splitter.create_documents([text])

# 建 Embeddings 與向量資料庫
embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
vectorstore = FAISS.from_documents(docs, embeddings)

建立工具 (Tools)

1. 計算工具

⚠️ 這裡用 eval 只是教學用，實務上要改成安全的 parser（例如 sympy 或 asteval）。

def calculate(expression: str) -> str:
    try: return str(eval(expression))
    except Exception as e: return f"計算錯誤：{e}"

calc_tool = Tool(
    name="Calculator",
    func=calculate,
    description="計算數學運算式，例如 2+3*5"
)

2. 天氣查詢工具

def get_weather(city: str, retries: int = 3, delay: int = 2) -> str:
    url = "https://api.openweathermap.org/data/2.5/weather"
    params = {"q": city, "appid": API_KEY, "units": UNITS, "lang": LANG}
    for attempt in range(1, retries+1):
        try:
            r = requests.get(url, params=params, timeout=10)
            data = r.json()
            if data.get("cod") == 200:
                w = data["weather"][0]["description"]
                t, t_min, t_max = data["main"]["temp"], data["main"]["temp_min"], data["main"]["temp_max"]
                return f"{data['name']} 天氣：{w}, 現在 {t}°C (範圍 {t_min}°C ~ {t_max}°C)"
            else:
                return f"取得天氣失敗：{data.get('message', '未知錯誤')}"
        except Exception as e:
            print(f"⚠️ 第 {attempt} 次錯誤: {e}")
        if attempt < retries: time.sleep(delay)
    return f"取得天氣失敗：重試 {retries} 次仍無法獲取 {city} 天氣"

weather_tool = Tool(
    name="Weather",
    func=get_weather,
    description="查詢指定城市天氣，例如 '台北' 或 'Tokyo'"
)

3. FAQ 查詢工具

def search_faq(query: str) -> str:
    docs = vectorstore.similarity_search(query, k=3)
    return "\n".join([d.page_content for d in docs]) if docs else ""

faq_tool = Tool(
    name="FAQ",
    func=search_faq,
    description="查詢 FAQ 文件，用於回答技術或產品相關問題"
)

初始化 Agent

llm = ChatGoogleGenerativeAI(model="gemini-1.5-flash", temperature=0)

agent = initialize_agent(
    tools=[calc_tool, weather_tool, faq_tool],
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,  # 讓 Agent 自動判斷是否使用工具
    verbose=True
)

整合 RAG + Agent

def hybrid_agent(query: str) -> str:
    context = search_faq(query)
    if context:
        augmented = f"FAQ內容如下：\n{context}\n\n問題：{query}\n你可以使用 FAQ 或工具來回答。"
        return agent.run(augmented)
    return agent.run(query)

# 測試問題
questions = [
    "什麼是 LangChain？",      # FAQ → RAG
    "2+3*5 等於多少？",       # Calculator
    "幫我查詢目前台北的天氣"  # Weather
]
for q in questions:
    print(f"> 問題: {q}")
    print(f"> 回答: {hybrid_agent(q)}\n")

範例輸出

> 問題: 什麼是 LangChain？
> 回答: LangChain 是一個幫助開發者快速構建 LLM 應用的框架。

> 問題: 2+3*5 等於多少？
> 回答: 17

> 問題: 幫我查詢目前台北的天氣
> 回答: 台北天氣：晴, 現在 29.7°C (範圍 28°C ~ 31°C)

今日小結

1. Tools 概念 → Agent 能主動使用工具
2. 建立計算與天氣工具
3. 整合 FAQ 知識庫
4. 初始化 Agent 並自動選用工具
5. FAQ 優先 → 沒有再交給 Agent（節省 Token 與提升回應速度）

👉 你的 Agent 已經能做到 「思考 + 行動」 🎯
明天會先介紹Gradio後天再將我們的內容加上 互動式 UI（Gradio），讓使用者可以直接對話！