LangChain Agentsとは｜Pythonによる実装方法まで徹底解説

pip install openai

pip install langchain

import openai
import os

# APIシークレットキーを記述
SECRET_KEY  = "............."

# API認証情報設定
os.environ["OPENAI_API_KEY"] = SECRET_KEY

from langchain.agents import tool
from datetime import datetime, timedelta
import yfinance as yf

# =================================================================================
# 関数作成
# =================================================================================

@tool
def current_stock_price(ticker:str) -> dict:
    """株式銘柄（米）の最新株価取得する関数"""
    data   = yf.Ticker(ticker).history(period="1d")
    result = {"price": data.iloc[0]["Close"], "currency": "USD"}
    return result

@tool
def stock_performance(ticker:str, days:int) -> dict:
    """ 過去days間で変動した株価[%] """
    start_date    = datetime.today() - timedelta(days=days)
    ticker_data   = yf.Ticker(ticker)
    history       = ticker_data.history(start=start_date)
    old_price     = history.iloc[0]["Close"]
    current_price = history.iloc[-1]["Close"]
    result        = {"percent_change": ((current_price - old_price) / old_price) * 100}
    return result


# =================================================================================
# ツール定義
# =================================================================================

tools = [current_stock_price, stock_performance]

# 関数実行
current_stock_price("AAPL")
# 出力イメージ
# {'price': 195.7100067138672, 'currency': 'USD'}


# 関数実行
stock_performance("GOOG", 30)
# 出力イメージ
# {'percent_change': 3.7588251624831}

from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(model       = "gpt-3.5-turbo",   # モデル
                 temperature = 0,                 # 出力する単語のランダム性（0から2の範囲） 0であれば毎回返答内容固定
                )

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

prompt = ChatPromptTemplate.from_messages([
                    ("system", "あなたは米国株式銘柄の株価データをもとにパフォーマンスを評価します。"),
                    ("user", "{input}"),
                    MessagesPlaceholder(variable_name="agent_scratchpad"),
                ])

from langchain.tools.render import format_tool_to_openai_function

llm_with_tools  = llm.bind(
                    functions = [format_tool_to_openai_function(t) for t in tools])

print([format_tool_to_openai_function(t) for t in tools])

# 出力イメージ
# [{'name': 'current_stock_price', 
#   'description': 'current_stock_price(ticker: str) -> dict - 株式銘柄（米）の最新株価取得する関数', 
#   'parameters': {'title': 'current_stock_priceSchemaSchema', 
#                  'type': 'object', 
#                  'properties': {'ticker': {'title': 'Ticker', 
#                                            'type': 'string'}}, 
#                  'required': ['ticker']}}, 
#  {'name': 'stock_performance', 
#   'description': 'stock_performance(ticker: str, days: int) -> dict - 過去days間で変動した株価[%]', 
#   'parameters': {'title': 'stock_performanceSchemaSchema', 
#                  'type': 'object', 
#                  'properties': {'ticker': {'title': 'Ticker', 
#                                            'type': 'string'}, 
#                                 'days': {'title': 'Days', 
#                                          'type': 'integer'}}, 
#                  'required': ['ticker', 'days']}}]

from langchain.agents.format_scratchpad import format_to_openai_function_messages
from langchain.agents.output_parsers import OpenAIFunctionsAgentOutputParser

agent = (
            {
                "input": lambda x: x["input"],
                "agent_scratchpad": lambda x: format_to_openai_function_messages(
                    x["intermediate_steps"]
                ),
            }
            | prompt
            | llm_with_tools
            | OpenAIFunctionsAgentOutputParser()
        )

from langchain.agents import AgentExecutor

def agent_execute(message:str) -> dict:
    # Agent Executorの定義
    agent_executor = AgentExecutor(
                            agent   = agent, 
                            tools   = tools, 
                            verbose = True, 
                            intermediate_steps=True
                                )
    # Agent Executor実行
    result = agent_executor.invoke({"input": message})
    
    return result

# 実行例（１）
agent_execute("Googleの直近の株価が知りたい")

# 出力イメージ
# > Entering new AgentExecutor chain...
#   Invoking: `current_stock_price` with `{'ticker': 'GOOGL'}`
#   {'price': 134.99000549316406, 'currency': 'USD'}Googleの直近の株価は134.99ドルです。

# > Finished chain.
#   {'input': 'Googleの直近の株価が知りたい', 'output': 'Googleの直近の株価は134.99ドルです。'}

# 実行例（２）
agent_execute("Googleの株価は過去30日でどれくらい変動したか？")


# 出力イメージ
# > Entering new AgentExecutor chain...
#   Invoking: `stock_performance` with `{'ticker': 'GOOGL', 'days': 30}`
#   {'percent_change': 3.6471128682878584}Googleの株価は過去30日間で約3.65%変動しました。

# > Finished chain.
#   {'input': 'Googleの株価は過去30日でどれくらい変動したか？',
#    'output': 'Googleの株価は過去30日間で約3.65%変動しました。'}