插拔式这个笔记本是基于插件检索的想法构建的，但是从plugnplai目录中提取所有工具 - 一组AI插件。¶

import re  # 导入正则表达式模块from typing import Union  # 导入Union类型import plugnplai  # 导入plugnplai模块from langchain.agents import (  # 导入langchain.agents模块中的以下类    AgentExecutor,  # AgentExecutor类    AgentOutputParser,  # AgentOutputParser类    LLMSingleActionAgent,  # LLMSingleActionAgent类)from langchain.chains import LLMChain  # 导入LLMChain类from langchain.prompts import StringPromptTemplate  # 导入StringPromptTemplate类from langchain_community.agent_toolkits import NLAToolkit  # 导入NLAToolkit类from langchain_community.tools.plugin import AIPlugin  # 导入AIPlugin类from langchain_core.agents import AgentAction, AgentFinish  # 导入AgentAction和AgentFinish类from langchain_openai import OpenAI  # 导入OpenAI类以上是给定的代码的翻译结果，已经在代码上方添加了注释。

# 导入OpenAI类from openai import OpenAI# 创建OpenAI对象并设置温度为0llm = OpenAI(temperature=0)

# 从plugnplai.com获取所有插件urls = plugnplai.get_plugins()# 获取ChatGPT插件 - 仅获取ChatGPT验证的插件urls = plugnplai.get_plugins(filter="ChatGPT")# 获取可用的插件 - 仅获取经过测试的插件（进行中）urls = plugnplai.get_plugins(filter="working")# 从urls中的每个url获取AI插件的信息并创建AIPlugin对象AI_PLUGINS = [AIPlugin.from_url(url + "/.well-known/ai-plugin.json") for url in urls]

# 导入所需的模块from langchain_community.vectorstores import FAISSfrom langchain_core.documents import Documentfrom langchain_openai import OpenAIEmbeddings

retriever = vector_store.as_retriever()  # 将vector_store转换为检索器def get_tools(query):    # 获取包含要使用的插件的文档    docs = retriever.invoke(query)    # 获取每个插件的工具包    tool_kits = [toolkits_dict[d.metadata["plugin_name"]] for d in docs]    # 获取每个端点的单独NLAChain工具    tools = []    for tk in tool_kits:        tools.extend(tk.nla_tools)    return tools  # 返回工具列表

# 设置基本模板template = """以海盗的口吻回答以下问题，尽力而为。你可以使用以下工具：{tools}使用以下格式：问题：你必须回答的输入问题思考：你应该始终考虑该做什么行动：要采取的行动，应该是[{tool_names}]中的一个行动输入：行动的

从typing模块导入Callable# 设置一个提示模板class CustomPromptTemplate(StringPromptTemplate):    # 要使用的模板    template: str    ############## 新增 ######################    # 可用工具的列表    tools_getter: Callable    def format(self, **kwargs) -> str:        # 获取中间步骤（AgentAction，Observation元组）        # 以特定方式格式化它们        intermediate_steps = kwargs.pop("intermediate_steps")        thoughts = ""        for action, observation in intermediate_steps:            thoughts += action.log            thoughts += f"\nObservation: {observation}\nThought: "        # 将agent_scratchpad变量设置为该值        kwargs["agent_scratchpad"] = thoughts        ############## 新增 ######################        tools = self.tools_getter(kwargs["input"])        # 从提供的工具列表创建一个tools变量        kwargs["tools"] = "\n".join(            [f"{tool.name}: {tool.description}" for tool in tools]        )        # 为提供的工具创建一个工具名称列表        kwargs["tool_names"] = ", ".join([tool.name for tool in tools])        return self.template.format(**kwargs)

prompt = CustomPromptTemplate(    template=template,    tools_getter=get_tools,    # 这里省略了`agent_scratchpad`、`tools`和`tool_names`变量，因为它们是动态生成的    # 这里包括`intermediate_steps`变量，因为它是必需的    input_variables=["input", "intermediate_steps"],)

class CustomOutputParser(AgentOutputParser):    def parse(self, llm_output: str) -> Union[AgentAction, AgentFinish]:        # 检查代理是否应该完成        if "Final Answer:" in llm_output:            return AgentFinish(                # 返回值通常始终是一个带有单个 `output` 键的字典                # 目前不建议尝试其他操作 :)                return_values={"output": llm_output.split("Final Answer:")[-1].strip()},                log=llm_output,            )        # 解析动作和动作输入        regex = r"Action\s*\d*\s*:(.*?)\nAction\s*\d*\s*Input\s*\d*\s*:[\s]*(.*)"        match = re.search(regex, llm_output, re.DOTALL)        if not match:            raise ValueError(f"无法解析LLM输出：`{llm_output}`")        action = match.group(1).strip()        action_input = match.group(2)        # 返回动作和动作输入        return AgentAction(            tool=action, tool_input=action_input.strip(" ").strip('"'), log=llm_output        )

# 创建一个名为output_parser的对象，类型为CustomOutputParser()output_parser = CustomOutputParser()

# 创建一个OpenAI对象，设置温度参数为0llm = OpenAI(temperature=0)

# 创建一个LLM链，包括LLM模型和一个提示llm_chain = LLMChain(llm=llm, prompt=prompt)

# 创建一个列表，包含了所有工具的名称tool_names = [tool.name for tool in tools]# 创建一个LLMSingleActionAgent对象# 参数：# llm_chain: LLM链# output_parser: 输出解析器# stop: 停止标志，当遇到"\nObservation:"时停止# allowed_tools: 允许使用的工具名称列表agent = LLMSingleActionAgent(    llm_chain=llm_chain,    output_parser=output_parser,    stop=["\nObservation:"],    allowed_tools=tool_names,)

# 导入AgentExecutor类from rasa.core.agent import AgentExecutor# 创建AgentExecutor对象，并传入agent和tools参数，verbose设置为Trueagent_executor = AgentExecutor.from_agent_and_tools(    agent=agent, tools=tools, verbose=True)