Skip to main content
为了更好地了解 NutritionAI 如何赋予你的 Agent 强大的食物营养查询能力，让我们构建一个能够通过 Passio NutritionAI 获取营养信息的 Agent。

​
定义工具

首先，我们需要创建 Passio NutritionAI 工具。

​
Passio nutrition AI

LangChain 内置了 Passio NutritionAI 工具，可以方便地查询食物营养信息。 注意，使用此工具需要 API 密钥——他们提供免费套餐。 创建 API 密钥后，需要将其导出为： 
export NUTRITIONAI_SUBSCRIPTION_KEY="..."
……或通过其他方式（如 dotenv 包）将其提供给 Python 环境。也可以通过构造函数调用显式控制密钥。 
from dotenv import load_dotenv
from langchain_core.utils import get_from_env

load_dotenv()

nutritionai_subscription_key = get_from_env(
    "nutritionai_subscription_key", "NUTRITIONAI_SUBSCRIPTION_KEY"
)

from langchain_community.tools.passio_nutrition_ai import NutritionAI
from langchain_community.utilities.passio_nutrition_ai import NutritionAIAPI

nutritionai_search = NutritionAI(api_wrapper=NutritionAIAPI())

nutritionai_search.invoke("chicken tikka masala")

nutritionai_search.invoke("Schnuck Markets sliced pepper jack cheese")

​
工具列表

现在我们已经有了工具，可以创建一个工具列表供后续使用。 
tools = [nutritionai_search]

​
创建 Agent

定义好工具后，可以创建 Agent 了。这里使用 OpenAI Functions Agent——关于此类 Agent 及其他选项，请参阅本指南。 首先，选择用于指导 Agent 的 LLM。 
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
接下来，选择用于指导 Agent 的提示词。 
from langchain_classic import hub

# 获取要使用的提示词 - 你可以修改它！
prompt = hub.pull("hwchase17/openai-functions-agent")
prompt.messages

[SystemMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], template='You are a helpful assistant')),
 MessagesPlaceholder(variable_name='chat_history', optional=True),
 HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['input'], template='{input}')),
 MessagesPlaceholder(variable_name='agent_scratchpad')]
现在，可以使用 LLM、提示词和工具初始化 Agent。Agent 负责接收输入并决定采取哪些行动。需要注意的是，Agent 本身不执行这些行动——这由 AgentExecutor 完成（下一步）。更多信息请参阅我们的概念指南。 
from langchain.agents import create_openai_functions_agent

agent = create_openai_functions_agent(llm, tools, prompt)
最后，将 Agent（大脑）与工具组合到 AgentExecutor 中（它会反复调用 Agent 并执行工具）。更多信息请参阅我们的概念指南。 
from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

​
运行 Agent

现在可以对 Agent 执行几个查询了！注意，目前这些都是无状态查询（不会记住之前的交互）。 
agent_executor.invoke({"input": "hi!"})

> Entering new AgentExecutor chain...
Hello! How can I assist you today?

> Finished chain.

{'input': 'hi!', 'output': 'Hello! How can I assist you today?'}

agent_executor.invoke({"input": "how many calories are in a slice pepperoni pizza?"})
如果想自动跟踪这些消息，可以将其封装在 RunnableWithMessageHistory 中。 
agent_executor.invoke(
    {"input": "I had bacon and eggs for breakfast.  How many calories is that?"}
)

agent_executor.invoke(
    {
        "input": "I had sliced pepper jack cheese for a snack.  How much protein did I have?"
    }
)

agent_executor.invoke(
    {
        "input": "I had sliced colby cheese for a snack. Give me calories for this Schnuck Markets product."
    }
)

agent_executor.invoke(
    {
        "input": "I had chicken tikka masala for dinner.  how much calories, protein, and fat did I have with default quantity?"
    }
)

​
总结

本快速入门介绍了如何创建一个简单的 Agent，使其能够在回答中融入食物营养信息。Agent 是一个复杂的话题，还有很多内容值得深入学习！
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.