Skip to main content
Open In Colab在 GitHub 上打开

如何使用聊天模型调用工具

先决条件

本指南假定您熟悉以下概念：

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，虽然名称“工具调用”意味着模型正在直接执行某些作，但实际上并非如此！该模型仅生成工具的参数，实际运行（或不运行）取决于用户。

工具调用是一种从模型生成结构化输出的通用技术，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。

调用工具的图表

如果您想了解如何使用模型生成的工具调用来实际运行工具，请查看本指南。

支持的型号

工具调用不是通用的，但许多流行的 LLM 提供程序都支持它。您可以在此处找到支持工具调用的所有型号的列表。

LangChain 实现了用于定义工具、将其传递给 LLM 和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 来生成这些参数。

定义工具方案

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架构。支持工具调用功能的聊天模型实现了.bind_tools()将工具架构传递给模型的方法。工具架构可以作为 Python 函数（带有类型提示和文档字符串）、Pydantic 模型、TypedDict 类或 LangChain Tool 对象传入。模型的后续调用将与提示符一起传入这些工具方案。

Python 函数

我们的工具架构可以是 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修饰器，允许进一步控制工具架构，例如工具名称和参数描述。有关详细信息，请参阅此处的操作指南。

Pydantic 类

您可以使用 Pydantic 等效地定义架构，而无需附带的函数。

请注意，所有字段都是required除非提供默认值。

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

需要langchain-core>=0.2.25

或者使用 TypedDicts 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]

要实际将这些 schema 绑定到聊天模型，我们将使用.bind_tools()方法。这将处理转换 这add和multiplyschemas 设置为模型的正确格式。然后，每次调用模型时，都会传入工具方案。

pip install -qU "langchain[openai]"
import getpass
import os

if not os.environ.get("OPENAI_API_KEY"):
  os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter API key for OpenAI: ")

from langchain.chat_models import init_chat_model

llm = init_chat_model("gpt-4o-mini", model_provider="openai")
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 生成的工具参数！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，以及有关如何强制 LLM 调用工具而不是让它决定的指南。

工具调用

如果 LLM 响应中包含工具调用，则它们将作为 .tool_calls属性。

请注意，聊天模型可以一次调用多个工具。

一个ToolCall是一个类型化的 dict，其中包含 工具名称、参数值字典和（可选）标识符。没有 tool 调用默认为此属性的空列表。

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'}]

这.tool_calls属性应包含有效的工具调用。请注意，有时， 模型提供程序可能会输出格式错误的工具调用（例如，不是 有效的 JSON）。在这些情况下解析失败时，实例 的 InvalidToolCall 填充到.invalid_tool_calls属性。一InvalidToolCall可以有 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，我们可以转换在.tool_calls使用 PydanticToolsParser 到 Pydantic 对象：

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)
API 参考：PydanticToolsParser
[multiply(a=3, b=12), add(a=11, b=49)]

后续步骤

现在，您已经学习了如何将工具架构绑定到聊天模型并让模型调用该工具。

接下来，查看本指南，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：

您还可以查看工具调用的一些更具体的用途：