Erhalten von Fehler AttributeError: 'Sagemakerendpoint' Objekt hat kein Attribut 'Bind_tools' beim Aufbau von Langchain/ ⇐ Python

[Anonymous]

Ich erhalte diesen Fehler AttributeError: 'Sagemakerendpoint' Objekt hat kein Attribut 'bind_tools' Beim Erstellen eines Gen -AI -Agenten mit Langchain/Langgraph/bereitgestellt LLM LLM auf AWS Sagemaker -Endpunkt. Das Objekt von 'Sagemakerendpoint hat kein Attribut' bind_tools '. Ich hatte erwartet, dass dies funktioniert, da es mit Langchain Chatbedrock arbeitete, aber dies könnte sein, da es sich um ein "Chat" -Modell und Sagemakerendpoint handelt, das älter ist.

Code: Select all

import json
from typing import Dict

import boto3
from langchain_community.llms import SagemakerEndpoint
from langchain_community.llms.sagemaker_endpoint import LLMContentHandler
from langchain_core.messages import HumanMessage
from langgraph.prebuilt import create_react_agent
from langchain_core.tools import tool

roleARN = "arn:aws:iam::123456789:role/cross-account-role"
sts_client = boto3.client("sts")
response = sts_client.assume_role(
RoleArn=roleARN, RoleSessionName="CrossAccountSession"
)

client = boto3.client(
"sagemaker-runtime",
region_name="us-west-2",
aws_access_key_id=response["Credentials"]["AccessKeyId"],
aws_secret_access_key=response["Credentials"]["SecretAccessKey"],
aws_session_token=response["Credentials"]["SessionToken"],
)

class ContentHandler(LLMContentHandler):
content_type = "application/json"
accepts = "application/json"

def transform_input(self, prompt: str, model_kwargs: Dict) -> bytes:
input_str = json.dumps({"inputs": prompt, "parameters": model_kwargs})
return input_str.encode("utf-8")

def transform_output(self, output: bytes) -> str:
response_json = json.loads(output.read().decode("utf-8"))
return response_json[0]["generated_text"]

content_handler = ContentHandler()

model = SagemakerEndpoint(
endpoint_name=,
client=client,
model_kwargs={"temperature": 1e-10},
content_handler=content_handler,
)

tools = []

agent_executor = create_react_agent(model, tools)

agent_executor.invoke({"messages": [HumanMessage(content=)]})