LangChain实战 | Tool Calling ：让AI真正动起来的关键技术

最新推荐文章于 2025-04-12 15:31:59 发布

程序员笑武

最新推荐文章于 2025-04-12 15:31:59 发布

阅读量2.2k

点赞数 16

文章标签： langchain 人工智能网络 gpt 音视频 storm 大数据

本文链接：https://blog.csdn.net/m0_59164304/article/details/145058916

版权

-正文-

工具（Tool）
通过参数自定义工具
通过解析文档字符串配置定义工具
通过大模型的 Tool calling 调用工具
代码示例
完整日志

近年来大模型发展过程中面临的几个核心挑战：静态知识的局限性、执行能力的缺失、与外部系统的割裂。为了应对这些挑战，推动大模型从单纯的语言生成工具演变为真正的任务执行引擎，Function calling 诞生了，成为大模型一项不可或缺的核心能力。

概念 Function calling 和 Tool Calling 会混用

我们在做应用开发的时候，大部分时候尽量避免直接耦合到OpenAI,会使得程序兼容性不好，这时只要面向 LangChain 开发就可以了

LangChain 是一个灵活的框架，它提供了与多种大模型进行交互的能力

它的设计允许集成和使用来自不同源的多种模型，包括但不限于OpenAl、Cohere和 Hugging Face 等模型库中的模型。这样，你不必拘泥于某种模型，而是为自己的应用选择最合适的模型。对于Tool Calling能力来说，LangChain 也做了抽象

调用其他工具的 API(如：Database Tool) 通常需要特定的有效负载格式。可以使用 Tool Calling 来向模型请求与特定格式匹配的响应。随后可以使用这个响应作为负载去做“工具（Tool）实际的执行”

通俗来将就是：让大模型通过理解用户的提示词，来决定是否需要调用工具(如上图），

如果需要调用工具，会返回需要调用的工具名称和调用参数（不是直接执行工具），后续由代码去执行对应的工具（Tool）

如果不需要调用工具，那么就直接回复自然语言（如：How can I assist you?）

工具（Tool）

tool抽象在 LangChain 中将 Python函数与定义“函数名称、描述和预期参数”的schema 关联起来。

工具（Tool） 可以传给支持 tool calling 的聊天模型，允许模型使用特定输入执行特定函数。

创建工具的推荐方法是使用@tool 装饰器。此装饰器旨在简化工具创建过程，在大多数情况下应使用它。定义函数后，可以使用@tool 对其进行装饰，以创建实现工具接口的工具。

代码如：

from langchain_core.tools import tool      @tool   def multiply(a: int, b: int) -> int:      """两个数字相乘."""      return a * b

默认情况下，装饰器使用函数名称作为工具名称

装饰器将使用函数的文档字符串作为工具的描述 —— 因此必须提供文档字符串。

定义工具后，可以通过调用直接使用它

result = multiply.invoke({"a": 2, "b": 3})   print(result)    # Output: 6

也能直接看到工具的具体信息

print(multiply.name)   print(multiply.description)   print(multiply.args)      # 输出   multiply   两个数字相乘.   {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}

通过参数自定义工具

@tool("multiplication-tool", args_schema=CalculatorInput, return_direct=True)

在这里插入图片描述

代码如：

from pydantic import BaseModel, Field      class CalculatorInput(BaseModel):      a: int = Field(description="第一个数字")      b: int = Field(description="第二个数字")      # 通过参数自定义   @tool("multiplication-tool", args_schema=CalculatorInput, return_direct=True)   def multiply(a: int, b: int) -> int:      """两个数字相乘."""      return a * b      # 查看工具的具体信息   print(multiply.name)   print(multiply.description)   print(multiply.args)   print(multiply.return_direct)

输出：

# 输出   multiplication-tool   两个数字相乘.   {'a': {'description': '第一个数字', 'title': 'A', 'type': 'integer'}, 'b': {'description': '第二个数字', 'title': 'B', 'type': 'integer'}}   True

通过解析文档字符串配置定义工具

@tool 可以选择性地解析Google Style 文档字符串，并将文档字符串组件（例如参数描述）与工具schame的相关部分关联起来。使用这种方法，需要指定 parse_docstring

代码如：

@tool(parse_docstring=True)  # 解析文档字符串   def multiply(a: int, b: int) -> int:      """两个数字相乘.         Args:         a: 第一个数字         b: 第二个数字         Returns:         两个数字相乘的结果      """      return a * b      # 查看工具的具体信息   print(multiply.name)   print(multiply.description)   print(multiply.args)   print(multiply.return_direct)

结果：

# 输出   multiply   两个数字相乘.   {'a': {'description': '第一个数字', 'title': 'A', 'type': 'integer'}, 'b': {'description': '第二个数字', 'title': 'B', 'type': 'integer'}}   False

通过大模型的 Tool calling 调用工具

Tool calling 允许聊天模型通过“Tool calling”来响应给定的提示词。

虽然“Tool calling”这个名字暗示模型正在直接执行某些操作，但实际上并非如此！模型仅生成工具的参数，而是否运行工具（或不运行）取决于用户。

Tool calling 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。该技术是从非结构化文本中提取信息

如下图，把用户输入的文本，通过大模型的Tool calling提取出了符合工具get_weather的信息

在这里插入图片描述

代码示例

第一步：定义工具

from langchain_openai import ChatOpenAI   from langchain_core.messages import HumanMessage      model = ChatOpenAI(       api_key='hk-iwtb1e427',       base_url='https://api.openai-hk.com/v1',       temperature=0   )      print("第一步 ：定义工具")   @tool   def multiply(a: int, b: int) -> int:       """两个数字相乘."""       return a * b      tools = [multiply]

第二步：把工具绑定到大模型

# Tool binding   print("第二步 ：把工具绑定到大模型")   model_with_tools = model.bind_tools(tools)

第三步：大模型 Tool calling

# Tool calling   print("第三步 ：大模型Tool calling")   query = "2乘以3"   messages = [HumanMessage(query)]   ai_msg = model_with_tools.invoke(messages)   print(ai_msg)   # 获取返回的response中工具名称和调用参数   print("大模型 Tool calling 返回结果 : ",ai_msg.tool_calls)   # [{'name': 'multiplication-tool', 'args': {'a': 2, 'b': 3}, 'id': 'call_2bJbBe74qhuDfg3ZGCu7p9e3', 'type': 'tool_call'}]   messages.append(ai_msg)

第四步：工具的执行（Tool calling 返回需要执行的工具）

print("第四步 ：工具的执行")   # 定义所有的工具字典   all_tools = {       "multiply": multiply   }      for tool_call in ai_msg .tool_calls:       selected_tool = all_tools[tool_call["name"].lower()]       tool_msg = selected_tool.invoke(tool_call)       print("工具的执行 返回结果 : ",tool_msg)       messages.append(tool_msg)       # content='6' name='multiply' tool_call_id='call_CTCJAFlibfN3zhM9jMMStBlp'   print("聊天上下文 ：")   print(messages)

第五步：大模型处理工具的返回结果

print("第五步：大模型处理工具的返回结果")   response = model_with_tools.invoke(messages)   print("大模型返回 ：",response.content)   # 大模型返回 ： 2乘以3的结果是6。

用户输入：2乘以3

大模型返回： 2乘以3的结果是6。

日志：

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述