ScienceOL 文档
  • 简体中文

      • 自定义工具

      通过构建自定义工具扩展 SciLaxy 的能力：内置 Python 工具或外部 MCP 服务器。

      工具架构

      SciLaxy 的工具系统分为两种类型：

      • 内置工具 — Python 函数，在 Celery Worker 进程中直接执行
      • MCP 工具 — 外部 MCP 服务器提供的工具，通过网络协议调用

      两种类型的工具对智能体来说是透明的——智能体不需要区分工具是内置的还是外部的。

      构建内置工具

      内置工具是继承自 BaseTool 的 Python 类：

      from app.tools.base import BaseTool, ToolResult

class MyCustomTool(BaseTool):
    """自定义工具的描述（这会显示给 LLM）"""

    name = "my_custom_tool"
    description = "执行特定操作的自定义工具"

    class InputSchema(BaseTool.InputSchema):
        query: str = Field(description="搜索查询")
        limit: int = Field(default=10, description="最大结果数")

    async def execute(self, input: InputSchema) -> ToolResult:
        # 你的工具逻辑
        results = await do_something(input.query, input.limit)
        return ToolResult(
            content=str(results),
            success=True
        )

      关键要素：

      • name — 工具的唯一标识符
      • description — LLM 用来判断何时使用此工具的描述
      • InputSchema — 使用 Pydantic 定义的输入参数
      • execute — 异步执行函数

      工具注册

      创建工具后，在工具注册表中注册：

      from app.tools.my_tool import MyCustomTool

TOOL_REGISTRY = {
    # ... 现有工具
    "my_custom_tool": MyCustomTool,
}

      注册后，工具会出现在智能体配置的可用工具列表中。

      通过 MCP 提供动态工具

      如果你不想修改 SciLaxy 的代码，可以通过 MCP 服务器提供自定义工具：

      1. 创建一个 MCP 服务器（使用 MCP SDK）
      2. 在 SciLaxy 中添加你的 MCP 服务器
      3. MCP 工具自动出现在可用工具列表中
      import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js"

const server = new McpServer({ name: "my-tools", version: "1.0.0" })

server.tool("weather", { city: z.string() }, async ({ city }) => {
  const data = await fetchWeather(city)
  return { content: [{ type: "text", text: JSON.stringify(data) }] }
})

      MCP 方式的优势：

      • 无需修改 SciLaxy 代码
      • 可以使用任何编程语言实现
      • 独立部署和更新
      • 可在多个 AI 平台间共享

      详情请参阅 MCP 服务器 文档。