如何向 LLM 和聊天模型添加临时工具调用功能

谨慎

某些模型已针对工具调用进行了微调，并为工具调用提供了专用 API。通常，此类模型比非微调模型更擅长工具调用，建议用于需要工具调用的用例。请参阅如何使用聊天模型调用工具指南以了解更多信息。

先决条件

本指南假定您熟悉以下概念：

在本指南中，我们将了解如何向聊天模型添加临时工具调用支持。如果您使用的是本身不支持工具调用的模型，则这是调用工具的替代方法。

我们将通过简单地编写一个提示来做到这一点，该提示将使模型调用适当的工具。下面是一个逻辑图：

设置

我们需要安装以下包：

%pip install --upgrade --quiet langchain langchain-community

如果您想使用 LangSmith，请取消以下注释：

import getpass
import os
# os.environ["LANGSMITH_TRACING"] = "true"
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass()

您可以为本操作指南选择任何给定的模型。请记住，这些模型中的大多数已经支持本机工具调用，因此使用此处显示的提示策略对这些模型没有意义，相反，您应该遵循如何使用聊天模型调用工具指南。

选择聊天模式：

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

model = init_chat_model("gpt-4", model_provider="openai")

为了说明这个想法，我们将使用phi3通过 Ollama，它没有对工具调用的本机支持。如果您想使用Ollama以及按照这些说明进行作。

from langchain_community.llms import Ollama

model = Ollama(model="phi3")

API 参考：Ollama

创建工具

首先，让我们创建一个add和multiply工具。有关创建自定义工具的更多信息，请参阅本指南。

from langchain_core.tools import tool


@tool
def multiply(x: float, y: float) -> float:
    """Multiply two numbers together."""
    return x * y


@tool
def add(x: int, y: int) -> int:
    "Add two numbers."
    return x + y


tools = [multiply, add]

# Let's inspect the tools
for t in tools:
    print("--")
    print(t.name)
    print(t.description)
    print(t.args)

API 参考：工具

--
multiply
Multiply two numbers together.
{'x': {'title': 'X', 'type': 'number'}, 'y': {'title': 'Y', 'type': 'number'}}
--
add
Add two numbers.
{'x': {'title': 'X', 'type': 'integer'}, 'y': {'title': 'Y', 'type': 'integer'}}

multiply.invoke({"x": 4, "y": 5})

20.0

创建我们的提示

我们需要编写一个提示，指定模型可以访问的工具、这些工具的参数以及模型所需的输出格式。在本例中，我们将指示它输出以下格式的 JSON blob{"name": "...", "arguments": {...}}.

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import render_text_description

rendered_tools = render_text_description(tools)
print(rendered_tools)

API 参考：JsonOutputParser | ChatPromptTemplate 模板 | render_text_description

multiply(x: float, y: float) -> float - Multiply two numbers together.
add(x: int, y: int) -> int - Add two numbers.

system_prompt = f"""\
You are an assistant that has access to the following set of tools. 
Here are the names and descriptions for each tool:

{rendered_tools}

Given the user input, return the name and input of the tool to use. 
Return your response as a JSON blob with 'name' and 'arguments' keys.

The `arguments` should be a dictionary, with keys corresponding 
to the argument names and the values corresponding to the requested values.
"""

prompt = ChatPromptTemplate.from_messages(
    [("system", system_prompt), ("user", "{input}")]
)

chain = prompt | model
message = chain.invoke({"input": "what's 3 plus 1132"})

# Let's take a look at the output from the model
# if the model is an LLM (not a chat model), the output will be a string.
if isinstance(message, str):
    print(message)
else:  # Otherwise it's a chat model
    print(message.content)

{
    "name": "add",
    "arguments": {
        "x": 3,
        "y": 1132
    }
}

添加输出解析器

我们将使用JsonOutputParser用于将我们的模型输出解析为 JSON。

from langchain_core.output_parsers import JsonOutputParser

chain = prompt | model | JsonOutputParser()
chain.invoke({"input": "what's thirteen times 4"})

API 参考：JsonOutputParser

{'name': 'multiply', 'arguments': {'x': 13.0, 'y': 4.0}}

重要

🎉 了不起！🎉 现在，我们指示我们的模型如何请求调用工具。

现在，让我们创建一些逻辑来实际运行该工具！

调用工具 🏃

现在模型可以请求调用工具，我们需要编写一个可以实际调用工具。

该函数将按名称选择适当的工具，并将模型选择的参数传递给它。

from typing import Any, Dict, Optional, TypedDict

from langchain_core.runnables import RunnableConfig


class ToolCallRequest(TypedDict):
    """A typed dict that shows the inputs into the invoke_tool function."""

    name: str
    arguments: Dict[str, Any]


def invoke_tool(
    tool_call_request: ToolCallRequest, config: Optional[RunnableConfig] = None
):
    """A function that we can use the perform a tool invocation.

    Args:
        tool_call_request: a dict that contains the keys name and arguments.
            The name must match the name of a tool that exists.
            The arguments are the arguments to that tool.
        config: This is configuration information that LangChain uses that contains
            things like callbacks, metadata, etc.See LCEL documentation about RunnableConfig.

    Returns:
        output from the requested tool
    """
    tool_name_to_tool = {tool.name: tool for tool in tools}
    name = tool_call_request["name"]
    requested_tool = tool_name_to_tool[name]
    return requested_tool.invoke(tool_call_request["arguments"], config=config)

API 参考：RunnableConfig

让我们来测试一下🧪！

invoke_tool({"name": "multiply", "arguments": {"x": 3, "y": 5}})

15.0

让我们把它放在一起

让我们把它放在一个链中，创建一个具有加法和乘法功能的计算器。

chain = prompt | model | JsonOutputParser() | invoke_tool
chain.invoke({"input": "what's thirteen times 4.14137281"})

53.83784653

返回工具输入

不仅返回工具输出，还返回工具输入，这会很有帮助。我们可以通过 LCEL 轻松做到这一点RunnablePassthrough.assign- 工具输出。这将获取 RunnablePassrthrough 组件（假设为字典）的任何输入，并向其添加一个键，同时仍然传递当前输入中的所有内容：

from langchain_core.runnables import RunnablePassthrough

chain = (
    prompt | model | JsonOutputParser() | RunnablePassthrough.assign(output=invoke_tool)
)
chain.invoke({"input": "what's thirteen times 4.14137281"})

API 参考：RunnablePassthrough

{'name': 'multiply',
 'arguments': {'x': 13, 'y': 4.14137281},
 'output': 53.83784653}

下一步是什么？

本操作指南显示了模型正确输出所有必需工具信息时的“快乐路径”。

实际上，如果您使用的是更复杂的工具，您将开始遇到来自模型的错误，尤其是对于尚未针对工具调用进行微调的模型和功能较差的模型。

您需要准备好添加策略以提高模型的输出;例如，

提供一些拍摄示例。
添加错误处理（例如，捕获异常并将其反馈给 LLM，要求它更正之前的输出）。

设置