Erstellen Sie KI-Agenten mit RapidAPI für Echtzeitdaten

Die Erstellung von Agenten ist einfacher als je zuvor, aber haben Sie jemals darüber nachgedacht, wie wir sie leistungsfähiger machen können, als sie bereits sind? Kürzlich habe ich über einen möglichen Weg nachgedacht: Was wäre, wenn sie Echtzeitinformationen über bestimmte Kategorien wie Finanzen und Filme hätten? Das wäre wirklich cool, oder? Als ich diese Possibility untersuchte, fand ich RapidAPI als Drehscheibe APIs Dies kann KI-Agenten mit einem einfachen API-Aufruf Zugriff auf Echtzeitinformationen ermöglichen. Ich habe dann beschlossen, ein paar Agenten zu entwickeln, die diese APIs nutzen können, um bessere Rollenspielagenten zu entwickeln.

In diesem Artikel teile ich den gesamten Prozess, damit Sie ihn leicht verfolgen und die Ergebnisse für Ihren eigenen Gebrauch reproduzieren können. Beginnen wir mit einigen grundlegenden Informationen –

Was ist RapidAPI?

RapidAPI ist eigentlich der ältere Title und wurde nach der Übernahme kürzlich zu Nokia API Hub. Es verfügt über einen API-Katalog, in dem wir APIs verwenden oder veröffentlichen können. Es deckt verschiedene Kategorien ab CybersicherheitFilme, Kommunikation und mehr. Du kannst Erfahren Sie hier mehr über RapidAPI.

Wie verwende ich die APIs von RapidAPI?

1. Erste Anmeldung/Registrierung bei RapidAPI hier

2. Gehen Sie zu a Entwicklerautorisierungsseite und erstellen Sie eine Autorisierung vom Typ „RapidAPI“, indem Sie rechts oben auf „Autorisierung hinzufügen“ klicken.

3. Gehen Sie zurück zur Startseite, um APIs zu entdecken, und klicken Sie auf eine beliebige API. Ich zum Beispiel Ich habe hier auf eine Nachrichten-API für Kryptowährungen geklickt.

4. Sie würden eine Seite wie diese sehen, außerdem ist der API-Schlüssel bereits im Testcode vorhanden. Stellen Sie einfach sicher, dass das Ziel auf „Python‚:

5. Klicken Sie nun rechts oben auf „Zum Testen abonnieren“ und wählen Sie vorerst die kostenlose Model aus. Klicken Sie dann auf „Abonnieren“, nachdem Sie auf „Kostenlosen Plan starten“ geklickt haben.

6. Jetzt können Sie die Schaltfläche „Testendpunkt“ rechts oben verwenden. Der Testcode wird ausgeführt und Sie können die Antwort erhalten.

Notiz: Die meisten APIs verfügen über ein großzügiges kostenloses Kontingent und können bis zu den genannten monatlichen Limits genutzt werden.

Integration von Agenten in RapidAPI

In diesem Abschnitt erstellen wir Agenten mithilfe der Funktion „create_agent“ von langchain.brokers und die Agenten werden von unterstützt OpenAIinsbesondere das „gpt-5-mini“. Experimentieren Sie ruhig mit verschiedenen Modellen, Modellanbietern oder Agenten-Frameworks.

Voraussetzung

Um Wiederholungen zu vermeiden, verwenden wir denselben Importsatz und initialisieren die APIs, um sie für mehrere Agenten zu verwenden. Und abonnieren Sie unbedingt die APIs in den Hyperlinks, wenn Sie gemeinsam mit mir testen möchten. Außerdem werde ich Google Colab für die Demo verwenden.

Abonnieren Sie diese APIs

Konfigurieren Sie Ihr Google Colab-Notizbuch

Fügen Sie Ihre OpenAI-API und RapidAPI als „OPENAI_API_KEY“ und „RAPIDAPI_KEY“ im Abschnitt „Geheimnisse“ auf der linken Seite hinzu und vergessen Sie nicht, den Pocket book-Zugriff zu aktivieren.

Installationen

!pip set up langchain langchain_core langchain_openai -q 

Importe

from google.colab import userdata 
import os 
import http.shopper 
import json 
from langchain_core.instruments import instrument 
from langchain_openai import ChatOpenAI 
from langchain.brokers import create_agent

API-Schlüssel

os.environ('OPENAI_API_KEY') = userdata.get('OPENAI_API_KEY') 
RAPIDAPI_KEY = userdata.get('RAPIDAPI_KEY') 

Aufbau eines Nachrichtenagenten

@instrument
def search_news(question: str, restrict: int = 10) -> str:
    """Seek for real-time information articles based mostly on a question. Returns newest information articles."""
    conn = http.shopper.HTTPSConnection("real-time-news-data.p.rapidapi.com")

    headers = {
        "x-rapidapi-key": RAPIDAPI_KEY,
        "x-rapidapi-host": "real-time-news-data.p.rapidapi.com",
    }

    conn.request(
        "GET",
        f"/search?question={question}&restrict={restrict}&time_published=anytime&nation=US&lang=en",
        headers=headers,
    )

    res = conn.getresponse()
    information = res.learn()
    end result = json.hundreds(information.decode("utf-8"))

    return json.dumps(end result, indent=2)

news_agent = create_agent(
    ChatOpenAI(temperature=0, mannequin="gpt-5-mini"),
    instruments=(search_news),
)

Beachten Sie, dass wir die von RapidAPI bereitgestellte API als Software verwenden und das Software an den Agenten übergeben. Der Agent nimmt die Hilfe des Instruments in Anspruch, wenn er der Meinung ist, dass ein Software-Aufruf erforderlich ist.

# Check the agent 
end result = news_agent.invoke({ 
 "messages": ({"function": "consumer", "content material": "Seek for newest information about Messi"}) 

}) 
print(end result("messages")(-1).content material)

Ergebnis

Großartig! Wir haben unseren ersten Agenten gemacht und er sieht intestine aus. Wenn Sie möchten, können Sie mit neuen Eingabeaufforderungen experimentieren.

Notiz: Unser Agent arbeitet meistens mit nur einem Wort, wenn er etwas gefragt wird (Beispiel: „Sport“, „Wald“ usw.). Dies liegt daran, dass das Software nur eine einzelne Zeichenfolge und keinen Satz akzeptiert. Um dies zu beheben, können wir die Systemaufforderung unseres Agenten konfigurieren.

Aktienagent

Erstellen wir einen Inventory Agent, der verwendet Yahoos API um die Aktiendetails mithilfe eines Börsentickersymbols einer bestimmten Aktie abzurufen.

Code

@instrument
def get_stock_history(image: str, interval: str = "1m", restrict: int = 640) -> str:
    """Get historic inventory value information for an emblem."""
    conn = http.shopper.HTTPSConnection("yahoo-finance15.p.rapidapi.com")

    headers = {
        "x-rapidapi-key": RAPIDAPI_KEY,
        "x-rapidapi-host": "yahoo-finance15.p.rapidapi.com",
    }

    path = (
        f"/api/v2/markets/inventory/historical past?"
        f"image={image}&interval={interval}&restrict={restrict}"
    )

    conn.request("GET", path, headers=headers)
    res = conn.getresponse()
    information = res.learn()
    end result = json.hundreds(information.decode("utf-8"))

    return json.dumps(end result, indent=2)


stock_agent = create_agent(
    ChatOpenAI(temperature=0, mannequin="gpt-5-mini"),
    instruments=(get_stock_history),
)

# Instance name
end result = stock_agent.invoke(
    {"messages": ({"function": "consumer", "content material": "Get the final intraday value historical past for AAPL"})}
)

print(end result("messages")(-1).content material)

Ergebnis

Großartig, wir haben die Ausgabe für AAPL (Apple Inc.) erfolgreich abgerufen und die Informationen erfolgen vollständig in Echtzeit.

Immobilienmakler

Das Ziel besteht hier darin, mithilfe einer API einen Agenten zu erstellen, der nach Immobilien zum Verkauf/zur Miete sucht. Die API, die wir von Zoopla verwenden, durchsucht die Immobilien speziell in Großbritannien.

Code

@instrument
def search_properties(
    location_value: str,
    location_identifier: str = "metropolis",
    web page: int = 1,
) -> str:
    """
    Seek for residential properties.

    Args:
        location_value: The title of the placement
            (e.g., 'London', 'Manchester', 'E1 6AN').
        location_identifier: The class of the placement.
            - Use 'metropolis' for main cities (default).
            - Use 'postal_code' if the consumer offers a postcode (e.g., 'W1').
            - Use 'space' for smaller neighborhoods.
    """
    # URL encoding to stop InvalidURL errors
    safe_val = location_value.exchange(" ", "%20").exchange(",", "%2C")
    safe_id = location_identifier.exchange(" ", "%20")

    conn = http.shopper.HTTPSConnection("zoopla.p.rapidapi.com")

    headers = {
        "x-rapidapi-key": RAPIDAPI_KEY,
        "x-rapidapi-host": "zoopla.p.rapidapi.com",
    }

    path = (
        f"/properties/v2/checklist?locationValue={safe_val}"
        f"&locationIdentifier={safe_id}"
        f"&class=residential&furnishedState=Any"
        f"&sortOrder=newest_listings&web page={web page}"
    )

    conn.request("GET", path, headers=headers)
    res = conn.getresponse()
    information = res.learn()
    end result = json.hundreds(information.decode("utf-8"))

    return json.dumps(end result, indent=2)


property_agent = create_agent(
    ChatOpenAI(temperature=0, mannequin="gpt-5-mini"),
    instruments=(search_properties),
    system_prompt=(
        "You're a real-estate skilled. When a consumer asks for a location, "
        "infer the 'location_identifier' your self, often 'metropolis' or "
        "'postal_code'. Don't ask the consumer for technical identifiers; "
        "name the instrument instantly."
    ),
)

end result = property_agent.invoke(
    {"messages": ({"function": "consumer", "content material": "Seek for properties in London, England"})}
)

print(end result("messages")(-1).content material)

Ergebnis

Wir haben die tatsächlichen Eigenschaften als Ausgabe erhalten, sie wurden jedoch aus offensichtlichen Gründen unscharf.

Agent für Filmempfehlungen

Dieser Agent hat Zugriff auf die am besten und am schlechtesten bewerteten APIs der IMDB als Instruments und wir konfigurieren die Systemaufforderung so, dass sie basierend auf der Aufforderung das zu verwendende Software auswählt.

@instrument
def get_top_rated_movies() -> str:
    """
    Fetch the checklist of top-rated English motion pictures on IMDb.

    Use this when the consumer needs a advice or a "good" film.
    """
    conn = http.shopper.HTTPSConnection("imdb236.p.rapidapi.com")

    headers = {
        "x-rapidapi-key": RAPIDAPI_KEY,
        "x-rapidapi-host": "imdb236.p.rapidapi.com",
    }

    conn.request("GET", "/api/imdb/top-rated-english-movies", headers=headers)
    res = conn.getresponse()

    # Decode and return uncooked JSON for the agent to course of
    return res.learn().decode("utf-8")


@instrument
def get_lowest_rated_movies() -> str:
    """
    Fetch the checklist of lowest-rated motion pictures on IMDb.

    Use this when the consumer asks for "unhealthy" motion pictures or motion pictures to keep away from.
    """
    conn = http.shopper.HTTPSConnection("imdb236.p.rapidapi.com")

    headers = {
        "x-rapidapi-key": RAPIDAPI_KEY,
        "x-rapidapi-host": "imdb236.p.rapidapi.com",
    }

    conn.request("GET", "/api/imdb/lowest-rated-movies", headers=headers)
    res = conn.getresponse()

    return res.learn().decode("utf-8")


movie_agent = create_agent(
    ChatOpenAI(temperature=0, mannequin="gpt-5-mini"),
    instruments=(get_top_rated_movies, get_lowest_rated_movies),
    system_prompt=(
        "You might be an skilled film critic. Your aim is to assist customers discover motion pictures "
        "based mostly on high quality. If a consumer asks for one thing 'good', 'really useful', "
        "or 'basic', name get_top_rated_movies. If a consumer asks for one thing "
        "'unhealthy', 'horrible', or 'lowest rated', name get_lowest_rated_movies. "
        "Each instruments require no parameters. Summarize the leads to a pleasant "
        "manner in a single sentence."
    ),
)

# Instance utilization
end result = movie_agent.invoke(
    {
        "messages": (
            {
                "function": "consumer",
                "content material": "I am within the temper for a very horrible film, what is the worst on the market?",
            }
        )
    }
)

print(end result("messages")(-1).content material)

Ergebnis

If you need really terrible, IMDb’s lowest-rated picks embody Daniel der
 Zauberer (Daniel the Wizard) and Smolensk — each hovering round a 1.2
 common score and excellent in case you’re after a 
“so-bad-it’s-fascinating” watch. 

Großartig! Wir haben erfolgreich einen Agenten erstellt, der auf mehrere Instruments zugreifen und sowohl hoch- als auch am schlechtesten bewertete Filme vorschlagen kann.

Abschluss

Durch die Integration von Echtzeit-APIs mit Agenten können wir über statische Antworten hinausgehen und Systeme aufbauen, die sich wirklich clever anfühlen. RapidAPI macht diese Integration einfach und domänenübergreifend skalierbar. Außerdem ist es wichtig, dass wir die richtigen Werkzeuge auswählen und den Agenten so abstimmen, dass er mit dem Werkzeug harmoniert. Beispielsweise können viele APIs einen Fehler ausgeben, wenn im Argument einfache Anführungszeichen oder Leerzeichen vorhanden sind. Auch RapidAPI bietet MCP-Unterstützung über seine APIs hinweg, die im Rahmen der laufenden Bemühungen zur Entwicklung besserer Agenten untersucht werden können.

Häufig gestellte Fragen

Leidenschaftlich für Technologie und Innovation, Absolvent des Vellore Institute of Know-how. Derzeit arbeite ich als Information Science Trainee mit Schwerpunkt auf Information Science. Großes Interesse an Deep Studying und generativer KI, begierig darauf, modernste Techniken zu erforschen, um komplexe Probleme zu lösen und wirkungsvolle Lösungen zu schaffen.