dotD Tech BlogPublicationへの投稿
🦜

【Python × Langchain × Gemini】AI Agent の関数実行を試してみた

Sayuri Okuyama
に公開
Python
LangChain
Gemini
tech

dotD で Web エンジニアをしている奥山です。今回は、LangChain で Gemini の AI Agent を作成して、関数を実行させる際に遭遇した課題と、その解決策について説明します。

Python のコードで AI の活用を検証するために、無料で使用できる Gemini を使いたいと思いました。しかし、Gemini では、使用する予定だった OPENAI_FUNCTIONS タイプの AI Agent が使用できませんでした。

OpenAI と Gemini の違い

OpenAI は、多くの開発者が利用するメジャーな AI モデルで、従量課金制となっています。Gemini は Google が提供する AI モデルで、ある程度までは無料で使用できるので、手元で簡単なアプリ制作を試すくらいであれば Gemini で十分です。そのため、今回は Gemini を選択しました。

OpenAI Functions とは

OPENAI_FUNCTIONS は、OpenAI の API を使用して関数呼び出しを可能にする機能です。これにより、単なるテキスト生成を超えて、AI モデルが自身で推論して、関数呼び出し、外部データベースへのアクセス、外部 API の呼び出し等、より高度なタスクを実行することが可能となります。

Gemini のインスタンスで OPENAI_FUNCTIONS は使えない

Gemini をインスタンス化して Agent を作成する場合、OpenAI ライブラリの機能を使用するOPENAI_FUNCTIONSタイプの Agent では、活用したかった関数呼び出し(Function Calling)機能が使用できません。

Gemini で利用できる Agent タイプ

OPENAI_FUNCTIONS は OpenAI の関数呼び出し機能を活用しており、特定の OpenAI モデルがサポートしている場合に使用できます。つまり、Gemini では使用できないのです。
一方、ZERO_SHOT_REACT_DESCRIPTION という Agent タイプがあり、こちらは OpenAI 以外でも使用できるため、より柔軟なツール選択が可能だということが分かりました。

以下参考↓

https://www.mattari-benkyo-note.com/2023/04/05/langchain_zero-shot-react-description/

天気を教えてくれるアプリを作ってみた（完成形）

/src/weather_agent.py
"""Gemini と LangChain を使用したお天気 Agent の実装"""
import os
from typing import Dict, Any
import sqlite3
from dotenv import load_dotenv
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain.agents import AgentType, initialize_agent
from langchain.tools import Tool

# 環境変数をロード
load_dotenv()

def setup_database():
    """weather テーブルを使用して SQLite データベースを初期化"""
    conn = sqlite3.connect("weather.db")
    c = conn.cursor()
    c.execute("""
        CREATE TABLE IF NOT EXISTS weather
        (id INTEGER PRIMARY KEY AUTOINCREMENT,
         location TEXT,
         result TEXT)
    """)
    conn.commit()
    conn.close()

def get_weather(location: str) -> str:
    """特定の場所の天気情報を取得"""
    # 天気取得 API を呼び出す(ここでは簡易的に"晴れ"固定で返す)
    return f"{location}の天気は晴れです。"

def save_to_db(result: str) -> None:
    """天気の結果をデータベースに保存"""
    conn = sqlite3.connect("weather.db")
    c = conn.cursor()
    location = result.split(" ")[0]
    c.execute("INSERT INTO weather (location, result) VALUES (?, ?)", (location, result))
    conn.commit()
    conn.close()

def create_weather_agent():
    """お天気 Agent を初期化"""
    # 環境変数から API キーを取得
    api_key = os.getenv("GEMINI_API_KEY")
    if not api_key:
        raise ValueError("GEMINI_API_KEY environment variable is not set")

    # API キーを使用して LLM インスタンスを作成
    llm = ChatGoogleGenerativeAI(
        model="gemini-1.5-pro",
        temperature=0,
        google_api_key=api_key
    )

    # ツールを定義
    tools = [
        Tool(
            name="Weather",
            func=get_weather,
            description="天気を知りたい場所の天気情報を取得します。入力: 場所の名前（例: 東京）"
        ),
        Tool(
            name="SaveToDB",
            func=save_to_db,
            description="天気情報をデータベースに保存します。入力: 保存したい天気情報の文字列（例: 東京の天気は晴れです）"
        )
    ]

    # エージェントを生成
    agent = initialize_agent(
        tools,
        llm,
        agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
        verbose=True,
        handle_parsing_errors=True,
        max_iterations=3,  # 無限ループを防ぐ
        return_intermediate_steps=True
    )

    return agent
/main.py
"""お天気 Agent のメイン script"""
from src.weather_agent import get_weather_info

def main():
    """お天気 Agent の例を実行"""
    try:
        # 天気情報を取得して保存
        response = get_weather_info("東京")
        print("Response:", response)
    except Exception as e:
        print(f"Error occurred: {e}")

if __name__ == "__main__":
    main()
/.env
GEMINI_API_KEY="YOUR_API_KEY"
/requirements.txt
pytest>=7.4.0
black>=23.7.0
flake8>=6.1.0
mypy>=1.5.0
langchain>=0.1.0
google-generativeai>=0.3.0
openai>=1.3.0
python-dotenv>=1.0.0

結果を保存する SQLite BD を作成

/src/weather_agent.py
def setup_database():
    """weather テーブルを使用して SQLite データベースを初期化"""
    conn = sqlite3.connect("weather.db")
    c = conn.cursor()
    c.execute("""
        CREATE TABLE IF NOT EXISTS weather
        (id INTEGER PRIMARY KEY AUTOINCREMENT,
         location TEXT,
         result TEXT)
    """)
    conn.commit()
    conn.close()

Agent に実行してもらう関数を作成

/src/weather_agent.py

def get_weather(location: str) -> str:
    """特定の場所の天気情報を取得"""
    # 天気取得 API を呼び出す(ここでは簡易的に"晴れ"固定で返す)
    return f"{location}の天気は晴れです。"

def save_to_db(result: str) -> None:
    """天気の結果をデータベースに保存"""
    conn = sqlite3.connect("weather.db")
    c = conn.cursor()
    # '東京の天気は晴れです。' から '東京' を抽出
    location = result.split('の天気')[0]
    c.execute("INSERT INTO weather (location, result) VALUES (?, ?)", (location, result))
    conn.commit()
    conn.close()

Gemini の LLM インスタンスを生成

/src/weather_agent.py
import os
from langchain_google_genai import ChatGoogleGenerativeAI

def create_weather_agent():
    """お天気 Agent を初期化"""
    # 環境変数から API キーを取得
    api_key = os.getenv("GEMINI_API_KEY")
    if not api_key:
        raise ValueError("GEMINI_API_KEY environment variable is not set")

    # API キーを使用して LLM インスタンスを作成
    llm = ChatGoogleGenerativeAI(
        model="gemini-1.5-pro",
        temperature=0,
        google_api_key=api_key
    )

関数をエージェントが使用する Tool として登録

/src/weather_agent.py
from langchain.tools import Tool

    # ツールを定義
    tools = [
        Tool(
            name="Weather",
            func=get_weather,
            description="天気を知りたい場所の天気情報を取得します。入力: 場所の名前（例: 東京）"
        ),
        Tool(
            name="SaveToDB",
            func=save_to_db,
            description="天気情報をデータベースに保存します。入力: 保存したい天気情報の文字列（例: 東京の天気は晴れです）"
        )
    ]

ZERO_SHOT_REACT_DESCRIPTION タイプでエージェントを生成

/src/weather_agent.py
from langchain.agents import AgentType, initialize_agent
from langchain.tools import Tool

    # エージェントを生成
    agent = initialize_agent(
        tools,
        llm,
        agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
        verbose=True,
        handle_parsing_errors=True,
        max_iterations=3,  # 無限ループを防ぐ
        return_intermediate_steps=True
    )

    return agent

お天気エージェント呼び出し関数を定義

/src/weather_agent.py
def get_weather_info(location: str) -> Dict[str, Any]:
    """天気情報を取得し、データベースに保存"""
    setup_database()
    agent = create_weather_agent()
    prompt = f"""あなたは次の2つのツールを使って天気情報を処理するエージェントです：
1. Weather: 場所を入力すると天気情報を返します
2. SaveToDB: 天気情報の文字列を入力するとデータベースに保存します

以下のタスクを順番に実行してください：
1. Weather ツールを使用して{location}の天気を取得してください
2. 取得した天気情報（例: 東京の天気は晴れです）をそのままSaveToDBツールに渡してデータベースに保存してください
3. 各ステップの結果を確認してください

必ず両方のツールを使用し、結果を確認してください。"""
    
    response = agent({"input": prompt})
    return response

実行コマンド

  1. 仮想環境を作成して有効化します：

    python -m venv venv && source venv/bin/activate

  2. .envファイルを作成して、自身の Gemini APIキーを設定します：

    GEMINI_API_KEY=YOUR_API_KEY

  3. 必要なパッケージをインストール：

    pip install -r requirements.txt

  4. 実行結果

% python main.py
/Users/sayuri/Documents/code/sukugiru-p/src/weather_agent.py:70: LangChainDeprecationWarning: LangChain agents will continue to be supported, but it is recommended for new use cases to be built with LangGraph. LangGraph offers a more flexible and full-featured framework for building agents, including support for tool-calling, persistence of state, and human-in-the-loop workflows. For details, refer to the `LangGraph documentation <https://langchain-ai.github.io/langgraph/>`_ as well as guides for `Migrating from AgentExecutor <https://python.langchain.com/docs/how_to/migrate_agent/>`_ and LangGraph's `Pre-built ReAct agent <https://langchain-ai.github.io/langgraph/how-tos/create-react-agent/>`_.
  agent = initialize_agent(
/Users/sayuri/Documents/code/sukugiru-p/src/weather_agent.py:97: LangChainDeprecationWarning: The method `Chain.__call__` was deprecated in langchain 0.1.0 and will be removed in 1.0. Use :meth:`~invoke` instead.
  response = agent({"input": prompt})


> Entering new AgentExecutor chain...
Thought: I need to get the weather in Tokyo using the Weather tool, then save that information to the database using the SaveToDB tool.

Action: Weather
Action Input: 東京
Observation: 東京の天気は晴れです。
Thought:Question: あなたは次の2つのツールを使って天気情報を処理するエージェントです：
1. Weather: 場所を入力すると天気情報を返します
2. SaveToDB: 天気情報の文字列を入力するとデータベースに保存します

以下のタスクを順番に実行してください：
1. Weather ツールを使用して東京の天気を取得してください
2. 取得した天気情報（例: 東京の天気は晴れです）をそのままSaveToDBツールに渡してデータベースに保存してください
3. 各ステップの結果を確認してください

必ず両方のツールを使用し、結果を確認してください。
Thought: I need to get the weather in Tokyo using the Weather tool, then save that information to the database using the SaveToDB tool.

Action: Weather
Action Input: 東京
Observation: 東京の天気は晴れです。
Thought:Thought: I have the weather information for Tokyo. Now I need to save it to the database using the SaveToDB tool.

Action: SaveToDB
Action Input: 東京の天気は晴れです。
Observation: None
Thought:

> Finished chain.
Response: {
'input':
    'あなたは次の2つのツールを使って天気情報を処理するエージェントです：\n
    1. Weather: 場所を入力すると天気情報を返します\n
    2. SaveToDB: 天気情報の文字列を入力するとデータベースに保存します\n
    \n
    以下のタスクを順番に実行してください：\n
    1. Weather ツールを使用して東京の天気を取得してください\n
    2. 取得した天気情報（例: 東京の天気は晴れです）をそのままSaveToDBツールに渡してデータベースに保存してください\n
    3. 各ステップの結果を確認してください\n
    \n
    必ず両方のツールを使用し、結果を確認してください。',
'output':
    'Agent stopped due to iteration limit or time limit.',
'intermediate_steps':
    [(AgentAction(
        tool='Weather',
        tool_input='東京',
        log='Thought:
            I need to get the weather in Tokyo using the Weather tool,
            then save that information to the database using the SaveToDB tool.\n
        \n
        Action: Weather\n
        Action Input: 東京'
        ), '東京の天気は晴れです。'),
    (AgentAction(
        tool='Weather',
        tool_input='東京',
        log='Question:
            あなたは次の2つのツールを使って天気情報を処理するエージェントです：\n
                1. Weather: 場所を入力すると天気情報を返します\n
                2. SaveToDB: 天気情報の文字列を入力するとデータベースに保存します\n
                \n
            以下のタスクを順番に実行してください：\n
                1. Weather ツールを使用して東京の天気を取得してください\n
                2. 取得した天気情報（例: 東京の天気は晴れです）をそのままSaveToDBツールに渡してデータベースに保存してください\n
                3. 各ステップの結果を確認してください\n
                \n
            必ず両方のツールを使用し、結果を確認してください。\n
            Thought: I need to get the weather in Tokyo using the Weather tool,
            then save that information to the database using the SaveToDB tool.\n
            \n
        Action: Weather\n
        Action Input: 東京'
    ), '東京の天気は晴れです。'),
    (AgentAction(
        tool='SaveToDB',
        tool_input='東京の天気は晴れです。',
        log='Thought:
            I have the weather information for Tokyo.
            Now I need to save it to the database using the SaveToDB tool.\n
        \n
        Action: SaveToDB\n
        Action Input: 東京の天気は晴れです。'),
     None)]}

DB に保存されているか確認

% sqlite3 -header weather.db "SELECT * FROM weather;"
id|location|result
1|東京|東京の天気は晴れです。

まとめ

ZERO_SHOT_REACT_DESCRIPTION を使用することで、Gemini の AI Agent に関数実行を指示して実行することができました。これにより、無料枠のある Gemini を使用して、AI Agent の魅力に触れることができます。ご興味のある方は、試してみてください！

dotD Tech Blog
dotD Tech BlogPublication

株式会社dotDの技術ブログです。 Owned Business（自社事業）や、Alliance Business（共創事業）の活動の中で得られた最新技術の活用事例やソフトウェア開発のナレッジなどをdotDのエンジニアチームがお届けします！

Discussion