课程链接：https://learn.deeplearning.ai/courses/functions-tools-agents-langchain/lesson/rtwb1/introduction
github链接：https://github.com/MSzgy/Functions-Tools-and-Agents-with-LangChain
Introduction
下面是本课程介绍：
OpenAI Function Calling
Just see code in github
LangChain Expression Language(LCEL)
下图介绍了LangChain中的一些组件：
在这里，LangChain代码采用了运算符重载方式进行流程处理：
在 Python 中，类似 chain = prompt | model | output_parser 的语法是通过 运算符重载（Operator Overloading） 实现的。这种写法通常出现在某些库或框架中（如 LangChain），用于将多个对象按顺序连接成一个处理管道（Pipeline），类似于 Unix 的管道符 | 的链式操作。
---
### 核心机制：运算符重载
Python 允许自定义类通过实现 __or__ 或 __ror__ 方法，重载 | 运算符的行为。当使用 a | b 时，Python 会隐式调用：
- a.__or__(b)，或者
- b.__ror__(a)（如果 a 没有实现 __or__）
通过这种方式，不同的组件（如 prompt、`model`、`output_parser`）可以组合成一个链式结构。
---
### 示例：自定义类实现 | 管道
假设我们有三个类 Prompt、`Model` 和 OutputParser，可以通过以下方式实现链式语法：
```python
class PipelineComponent:
def __or__(self, other):
# 返回一个新的组合对象
return Chain(self, other)
class Chain:
def __init__(self, head, tail):
self.head = head
self.tail = tail
def run(self, input):
result = self.head.process(input)
return self.tail.run(result)
class Prompt(PipelineComponent):
def process(self, input):
return f"Formatted prompt: {input}"
class Model(PipelineComponent):
def process(self, input):
return f"Model output for {input}"
class OutputParser(PipelineComponent):
def process(self, input):
return f"Parsed: {input.upper()}"
# 使用 | 组合管道
chain = Prompt() | Model() | OutputParser()
output = chain.run("Hello")
print(output) # Parsed: MODEL OUTPUT FOR FORMATTED PROMPT: HELLO
```
---
### 实际应用场景
在机器学习/自然语言处理库（如 LangChain）中，这种语法常用于构建处理流程：
1. `prompt`：将输入转换为模型需要的格式。
2. `model`：调用模型生成结果。
3. `output_parser`：解析模型的原始输出。
例如，在 LangChain 中的典型用法：
```python
from langchain import PromptTemplate, LLMChain, OutputParser
prompt = PromptTemplate(...)
model = LLMChain(...)
output_parser = OutputParser(...)
chain = prompt | model | output_parser
result = chain.invoke({"input": "What is AI?"})
```
---
### 为什么这样设计？
1. 可读性：链式语法直观表达数据流动方向。
2. 灵活性：自由组合不同组件，类似函数式编程。
3. 扩展性：方便添加/移除处理步骤。
---
### 总结
这种语法不是 Python 的原生语法，而是通过 运算符重载 实现的链式调用设计模式。它在需要构建复杂处理流程的库（如 LangChain、`scikit-learn` 管道）中非常常见，能够显著提升代码的可读性和模块化程度。
OpenAI Function Calling in LangChain
Tagging and Extraction
Tools and Routing
在本节介绍了两个工具调用：weather search 以及维基搜索，并且可以通过询问的问题决定该调用哪个tool，同时langchain也实现了可以区分正常LLM返回以及tool调用两种情况。
Conversational Agent
在本节代码中有个关键词agent_cratchpad需要解释下，这是用来存储和管理对话期间所需信息的地方。
本节代码中实现了UI可以进行聊天并调用tools。
