Skip to main content

如何使用聊天模型调用工具

Prerequisites

本指南假设您熟悉以下概念：

工具调用 允许聊天模型通过“调用工具”来响应给定的提示。

请记住，虽然“工具调用”这个名称暗示模型直接执行某些操作，但实际上并非如此！模型仅生成工具的参数，实际运行工具（或不运行）取决于用户。

工具调用是一种通用技术，可以从模型生成结构化输出，即使您不打算调用任何工具也可以使用它。一个示例用例是 从非结构化文本中提取。

Diagram of calling a tool

如果你想了解如何使用模型生成的工具调用来实际运行工具，请查看此指南。

Supported models

工具调用并不是通用的，但许多流行的LLM提供商支持它。你可以在这里找到支持工具调用的所有模型列表。

LangChain实现了定义工具、将其传递给LLM以及表示工具调用的标准接口。 本指南将介绍如何将工具绑定到LLM，然后调用LLM生成这些参数。

定义工具模式​

为了使模型能够调用工具，我们需要传入描述工具功能及其参数的工具模式。支持工具调用功能的聊天模型实现了一个.bind_tools()方法，用于将工具模式传递给模型。工具模式可以作为Python函数（带有类型提示和文档字符串）、Pydantic模型、TypedDict类或LangChain 工具对象传入。模型的后续调用将与提示一起传入这些工具模式。

Python函数​

我们的工具模式可以是Python函数：

# The function name, type hints, and docstring are all part of the tool
# schema that's passed to the model. Defining good, descriptive schemas
# is an extension of prompt engineering and is an important part of
# getting models to perform well.
def add(a: int, b: int) -> int:
    """Add two integers.

    Args:
        a: First integer
        b: Second integer
    """
    return a + b


def multiply(a: int, b: int) -> int:
    """Multiply two integers.

    Args:
        a: First integer
        b: Second integer
    """
    return a * b

LangChain 工具​

LangChain 还实现了一个 @tool 装饰器，允许进一步控制工具模式，例如工具名称和参数描述。有关详细信息，请参阅 这里 的使用指南。

Pydantic 类​

您可以等效地使用 Pydantic 定义没有附带函数的模式。

请注意，除非提供默认值，否则所有字段都是 必需 的。

from pydantic import BaseModel, Field


class add(BaseModel):
    """Add two integers."""

    a: int = Field(..., description="First integer")
    b: int = Field(..., description="Second integer")


class multiply(BaseModel):
    """Multiply two integers."""

    a: int = Field(..., description="First integer")
    b: int = Field(..., description="Second integer")

TypedDict 类​

Requires langchain-core>=0.2.25

或者使用 TypedDict 和注解：

from typing_extensions import Annotated, TypedDict


class add(TypedDict):
    """Add two integers."""

    # Annotations must have the type and can optionally include a default value and description (in that order).
    a: Annotated[int, ..., "First integer"]
    b: Annotated[int, ..., "Second integer"]


class multiply(TypedDict):
    """Multiply two integers."""

    a: Annotated[int, ..., "First integer"]
    b: Annotated[int, ..., "Second integer"]


tools = [add, multiply]

要将这些模式实际绑定到聊天模型，我们将使用 .bind_tools() 方法。这将处理将 add 和 multiply 模式转换为模型所需的格式。工具模式将在每次调用模型时传递。

pip install -qU langchain-openai
import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini")
llm_with_tools = llm.bind_tools(tools)

query = "What is 3 * 12?"

llm_with_tools.invoke(query)
AIMessage(content='', additional_kwargs={'tool_calls': [{'id': 'call_iXj4DiW1p7WLjTAQMRO0jxMs', 'function': {'arguments': '{"a":3,"b":12}', 'name': 'multiply'}, 'type': 'function'}], 'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 17, 'prompt_tokens': 80, 'total_tokens': 97}, 'model_name': 'gpt-4o-mini-2024-07-18', 'system_fingerprint': 'fp_483d39d857', 'finish_reason': 'tool_calls', 'logprobs': None}, id='run-0b620986-3f62-4df7-9ba3-4595089f9ad4-0', tool_calls=[{'name': 'multiply', 'args': {'a': 3, 'b': 12}, 'id': 'call_iXj4DiW1p7WLjTAQMRO0jxMs', 'type': 'tool_call'}], usage_metadata={'input_tokens': 80, 'output_tokens': 17, 'total_tokens': 97})

正如我们所看到的，我们的LLM生成了工具的参数！您可以查看bind_tools()的文档，了解自定义LLM选择工具的所有方法，以及如何强制LLM调用工具的指南，而不是让它自行决定。

工具调用​

如果工具调用包含在LLM响应中，它们将附加到相应的 消息 或消息块 作为工具调用对象的列表，位于.tool_calls属性中。 请注意，聊天模型可以同时调用多个工具。

请注意，聊天模型可以同时调用多个工具。

一个 ToolCall 是一个包含 工具名称、参数值字典和（可选）标识符的类型字典。没有工具调用的消息 默认将此属性设置为空列表。

query = "What is 3 * 12? Also, what is 11 + 49?"

llm_with_tools.invoke(query).tool_calls
[{'name': 'multiply',
  'args': {'a': 3, 'b': 12},
  'id': 'call_1fyhJAbJHuKQe6n0PacubGsL',
  'type': 'tool_call'},
 {'name': 'add',
  'args': {'a': 11, 'b': 49},
  'id': 'call_fc2jVkKzwuPWyU7kS9qn1hyG',
  'type': 'tool_call'}]

.tool_calls 属性应包含有效的工具调用。请注意，有时， 大模型供应商可能会输出格式错误的工具调用（例如，参数不是 有效的 JSON）。在这些情况下解析失败时， InvalidToolCall 的实例 会填充在 .invalid_tool_calls 属性中。一个 InvalidToolCall 可以具有 名称、字符串参数、标识符和错误消息。

解析​

如果需要，输出解析器可以进一步处理输出。例如，我们可以使用将.tool_calls中填充的现有值转换为Pydantic对象的 PydanticToolsParser：

<!--IMPORTS:[{"imported": "PydanticToolsParser", "source": "langchain_core.output_parsers", "docs": "https://python.langchain.com/api_reference/core/output_parsers/langchain_core.output_parsers.openai_tools.PydanticToolsParser.html", "title": "How to use chat models to call tools"}]-->
from langchain_core.output_parsers import PydanticToolsParser
from pydantic import BaseModel, Field


class add(BaseModel):
    """Add two integers."""

    a: int = Field(..., description="First integer")
    b: int = Field(..., description="Second integer")


class multiply(BaseModel):
    """Multiply two integers."""

    a: int = Field(..., description="First integer")
    b: int = Field(..., description="Second integer")


chain = llm_with_tools | PydanticToolsParser(tools=[add, multiply])
chain.invoke(query)
[multiply(a=3, b=12), add(a=11, b=49)]

下一步​

现在您已经学习了如何将工具模式绑定到聊天模型，并让模型调用该工具。

接下来，请查看此指南，了解如何通过调用函数并将结果传回模型来实际使用该工具：

您还可以查看一些更具体的工具调用用法：

Was this page helpful?


You can also leave detailed feedback on GitHub.

扫我，入群扫我，找书