NutritionAI가 어떻게 에이전트에게 강력한 식품 영양 정보 기능을 제공할 수 있는지 가장 잘 이해하기 위해, Passio NutritionAI를 통해 해당 정보를 찾을 수 있는 에이전트를 만들어 보겠습니다.

​
tool 정의하기

먼저 Passio NutritionAI tool을 생성해야 합니다.

​
Passio Nutrition AI

LangChain에는 Passio NutritionAI를 쉽게 사용하여 식품 영양 정보를 찾을 수 있는 내장 tool이 있습니다. 이를 사용하려면 API key가 필요하며, 무료 tier를 제공합니다. API key를 생성한 후, 다음과 같이 export해야 합니다: 
export NUTRITIONAI_SUBSCRIPTION_KEY="..."
… 또는 dotenv 패키지와 같은 다른 방법을 통해 Python 환경에 제공할 수 있습니다. constructor 호출을 통해 명시적으로 key를 제어할 수도 있습니다. 
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")

​
Tools

이제 tool이 준비되었으므로, 이후에 사용할 tool 목록을 생성할 수 있습니다. 
tools = [nutritionai_search]

​
agent 생성하기

tool을 정의했으므로 이제 agent를 생성할 수 있습니다. OpenAI Functions agent를 사용할 것입니다 - 이 유형의 agent에 대한 자세한 정보와 다른 옵션은 이 가이드를 참조하세요. 먼저, agent를 안내할 LLM을 선택합니다. 
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
다음으로, agent를 안내하는 데 사용할 prompt를 선택합니다. 
from langchain_classic import hub

# Get the prompt to use - you can modify this!
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')]
이제 LLM, prompt, tool을 사용하여 agent를 초기화할 수 있습니다. agent는 입력을 받아 어떤 작업을 수행할지 결정하는 역할을 합니다. 중요한 점은 Agent가 이러한 작업을 실행하지 않는다는 것입니다 - 이는 AgentExecutor(다음 단계)가 수행합니다. 이러한 구성 요소에 대해 생각하는 방법에 대한 자세한 내용은 개념 가이드를 참조하세요. 
from langchain.agents import create_openai_functions_agent

agent = create_openai_functions_agent(llm, tools, prompt)
마지막으로, agent(두뇌)와 tool을 AgentExecutor(agent를 반복적으로 호출하고 tool을 실행함) 내부에 결합합니다. 이러한 구성 요소에 대해 생각하는 방법에 대한 자세한 내용은 개념 가이드를 참조하세요. 
from langchain.agents import AgentExecutor

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

​
agent 실행하기

이제 몇 가지 쿼리로 agent를 실행할 수 있습니다! 현재로서는 이들이 모두 stateless 쿼리라는 점에 유의하세요 (이전 상호작용을 기억하지 않습니다). 
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?"})
이러한 메시지를 자동으로 추적하려면 RunnableWithMessageHistory로 래핑할 수 있습니다. 
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?"
    }
)

​
결론

여기까지입니다! 이 빠른 시작에서는 식품 영양 정보를 답변에 통합할 수 있는 간단한 agent를 만드는 방법을 다루었습니다. Agent는 복잡한 주제이며, 배울 것이 많습니다!
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I