大模型 | Llama3.1的工具调用解析及上手使用示例

今天来聊聊Meta最新发布的Llama 3.1系列模型中的新功能 —— 工具调用能力。这个功能不仅仅是Llama3.1独有，最近发布的Mistral NeMo和Mistral Lager2也都已经支持了工具调用能力。我觉得其本质还是为了减少LLM的”幻觉“现象。

一、Llama3.1工具调用

简单来说，工具调用允许大语言模型（LLM）在对话过程中直接使用预定义的工具，就像我们使用各种App一样。这大大扩展了AI的能力范围，使它能够更好地解决实际问题。

• Llama 3.1内置了三种特定工具：Brave Search、Wolfram Alpha和Code Interpreter。
• 这些工具直接集成在模型中，很重要一点，搜索引擎的API还是需要的。
• 工具调用是模型训练的一部分，模型知道如何和何时使用这些工具。

二、Llama 3.1的内置工具

Llama 3.1内置了三种强大的工具:

1. Brave Search: 用于网络搜索，让AI能获取最新信息，这里指的网络搜索并不是直接在网上搜索信息，而是需要通过搜索引擎的API接口才能进行网络搜索。
2. Wolfram Alpha: 用于复杂数学计算，提升AI的数学能力。
3. Code Interpreter: 允许AI直接输出和执行Python代码。

这些工具使Llama 3.1能够执行从信息查询到数学计算,再到编程任务的广泛操作。

三、Llama 3.1的工具调用的工作原理

工具调用的工作流程大致如下:

1. 用户交互:

• 1.1: 用户向执行器(Executor)发送提示(Prompt)。
• 1.2: 执行器最终将响应(Response)返回给用户。

2. 执行器与Llama模型的交互:

• 2.1: 执行器将用户的提示传递给Llama模型。
• 2.2: Llama模型生成包含工具调用的响应。

3. 执行器与工具的交互:

• 3.1: 执行器根据Llama模型的响应调用相应的工具。
• 3.2: 工具执行后返回结果给执行器。

7. 执行器再次与Llama模型交互:

• 4.1: 执行器将原始提示和工具调用结果一起发送给Llama模型。
• 4.2: Llama模型生成最终的综合响应。

这张图就是一个完整的工具调用循环，从用户输入到最终输出，包括了Llama3.1模型的决策过程、工具的调用，以及如何将工具的结果整合到最终响应中。这种设计允许Llama3.1模型利用其内置的工具来增强能力，能够快速、精准地回答用户的问题，减少”幻觉“现象。

举一个例子：

我们先拟人化三个角色，你（用户），你的天才朋友（Llama3.1），你的小助手（Executor）

1.  你问一个问题，比如：今朝上海天气哪能讲？  
2.  小助手把问题转交给你的天才朋友，你的小助手说：有则赤佬问上海天气情况。    
3.  天才朋友思考后决定需要查看天气预报，他说：阿拉得查查天气预报App。   
4.  小助手去查天气预报App（这就是调用工具）打开APP查上海天气。   
5.  小助手把上海天气信息告诉天才朋友，他说：今朝上海天气哈捏有36度，伐落雨。    
6.  天才朋友结合这条信息给出完整回答”根据天气预报App，今天上海是个晴朗得好天气，温度36度，适合待在家里吹空调。“    
7.  小助手把这个回答告诉你（用户）。

所以，通过这种方式，大语言模型给到用户得回答即高效又精准。

---

四、参数说明

我们结合Meta的官方文档（建议刚开始玩llama系列模型的小伙伴还是先去看一下原文档），提取一些比较重要的内容和参数拎出来讲一讲。

这次的提示词格式有所变动，尤其是角色方面分别是：

• system ：设置与 AI 模型交互的上下文。它通常包括帮助模型有效响应的规则、准则或必要信息。

• user ： 表示与模型交互的人类。它包括模型的输入、命令和问题。

• ipython ： Llama 3.1 中引入的新角色。从语义上讲，这个角色的意思是“工具”。此角色用于在从执行器发送回模型时，使用工具调用的输出标记消息。

• assistant ： 表示 AI 模型根据 ‘system’、’ipython’ 和 ‘user’ 提示中提供的上下文生成的响应。

Python示例如下：

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

Environment: ipython
Tools: brave_search, wolfram_alpha

Cutting Knowledge Date: December 2023
Today Date: 23 Jul 2024

You are a helpful assistant<|eot_id|>
<|start_header_id|>user<|end_header_id|>

What is the current weather in Menlo Park, California?<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Environment 这里的环境定义为：

• ipython：我理解就是代码解释器

Tools 这里的工具定义为：

• brave_search：网络搜索
• wolfram_alpha：数学计算器

---

示例说明

我们用下面这段脚本来试试最新的Llama3.1的网络搜索能力，以下是一些前置条件：

• 安装Python语言
• Ollama框架已安装；
• Llama3.1系列模型已下载；
• Python的requests库已安装；
• 搜索引擎的API已开通；

以下示例在Windows环境下运行：

import json
import requests
import re

# Bing API 设置
subscription_key = "BING API KEY"  # 请替换为您的实际 Bing API 密钥
endpoint = "https://api.bing.microsoft.com/v7.0/search"

def call_ollama(prompt, system_prompt):
    url = "http://localhost:11434/api/generate"
    data = {
        "model": "llama3.1:8b",
        "prompt": prompt,
        "system": system_prompt,
        "stream": False
    }
    response = requests.post(url, json=data)
    return response.json()['response']

def brave_search(query):
    headers = {"Ocp-Apim-Subscription-Key": subscription_key}
    params = {"q": query, "textDecorations": True, "textFormat": "HTML"}

    try:
        response = requests.get(endpoint, headers=headers, params=params)
        response.raise_for_status()
        search_results = response.json()

        if "webPages" in search_results and "value" in search_results["webPages"]:
            results = []
            for item in search_results["webPages"]["value"][:3]:
                results.append(f"Title: {item['name']}\nURL: {item['url']}\nSnippet: {item['snippet']}\n")
            return "\n".join(results)
        else:
            return "No results found."
    except Exception as ex:
        return f"Error during search: {str(ex)}"

def process_model_output(response):
    match = re.search(r'<function=brave_search>\s*({.*?})\s*</function>', response)
    if match:
        return match.group(1)

    match = re.search(r'(?:<\|python_tag\|>)?function=brave_search>\s*({.*?})\s*(?:<\|eom_id\|>)?', response)
    if match:
        return match.group(1)

    return None

def main():
    system_prompt = """
    Environment: ipython
    Tools: brave_search

    # 工具使用说明
    - 当需要搜索信息时，务必使用 brave_search 函数。
    - 必须使用这个精确格式进行搜索：<function=brave_search>{"query": "你的搜索查询"}</function>
    - 不要使用 <|python_tag|> 或其他标签。
    - 在收到搜索结果后，总结找到的信息。
    - 只使用搜索结果中的信息，不要使用预先存在的知识。

    你是一个能够搜索实时信息的有用助手。请始终用中文回答用户的问题。
    """

    print("Welcome to the Llama 3.1:8b assistant with web search integration!")
    print("Type 'quit' to end the conversation.")

    while True:
        user_prompt = input("\nPlease enter your question: ")
        if user_prompt.lower() == 'quit':
            print("Thank you for using the assistant. Goodbye!")
            break

        response = call_ollama(user_prompt, system_prompt)
        print("\nLlama 3.1:8b:", response)

        search_query_json = process_model_output(response)
        if search_query_json:
            try:
                search_query = json.loads(search_query_json).get("query", "")
                if search_query:
                    print(f"\nPerforming web search for: {search_query}")
                    search_result = brave_search(search_query)
                    print("Search results:", search_result)

                    follow_up_prompt = f"Based on the search results: '{search_result}', please provide a brief summary or answer to the original question: '{user_prompt}'"
                    follow_up_response = call_ollama(follow_up_prompt, system_prompt)
                    print("\nLlama 3.1:8b:", follow_up_response)
                else:
                    print("Search query is empty.")
            except json.JSONDecodeError:
                print(f"Error parsing JSON: {search_query_json}")
        else:
            print("No valid search function call detected.")

if __name__ == "__main__":
    main()

1. 导入必要的库：

import json
import requests
import re

• json: 用于处理JSON数据
• requests: 用于发送HTTP请求
• re: 用于正则表达式操作

2. Bing API 设置：这里不一定要使用bing，各大搜索引擎都可以，只要是开放API的

# Bing API 设置
subscription_key = "BING API KEY"  # 请替换为您的实际 Bing API 密钥
endpoint = "https://api.bing.microsoft.com/v7.0/search"

这里设置了Bing搜索API的密钥和接口地址。

3. call_ollama 函数:

def call_ollama(prompt, system_prompt):
    # ...

这个函数用于调用Llama 3.1模型。它向本地运行的Ollama服务发送请求,获取AI的回应。

4. brave_search 函数:

def brave_search(query):
    # ...

这个函数实际上使用Bing API进行搜索。它发送搜索请求并处理结果,返回前三个搜索结果的摘要。

5. process_model_output 函数:

def process_model_output(response):
# ...

这个函数用正则表达式从AI的回应中提取搜索查询，它能处理不同格式的函数调用，经过验证效果并不好，同时我也没太多时间在这里做优化，有兴趣的小伙伴可以尝试不同函数。

6. main 函数:

def main():
# ...

7. 系统提示:

system_prompt = """
    # ...
"""

这里的system_prompt还是蛮重要的，在使用8B尺寸的模型时尽量简单些，70B以上可以复杂一些。

8. 主循环:

• 接受用户输入
• 调用AI获取回应
• 如果AI要搜索，就执行搜索
• 将搜索结果给AI，获取最终回答

9. 脚本入口:

if __name__ == "__main__":
    main()

---

使用示例

1. 首先，我们得创建一个空的文件夹（随便命名），在该文件夹内创建一个空的文件，把以上这段示例代码复制到一个空的文件里，txt文件也是可以的，但是文件保存要把文件格式改成*.py；

2. 接着，我们在该文件夹下“右击”再“点击”在终端中打开；

3. 在保证前置条件都已安装完成的情况下，输入

 python search.py

这条命令开始执行该脚本；

4. 输入问题，比如：请总结下kunpuai.com这个网站；

5. 这是Llama3.1 8B总结的效果，由于在brave_search 变量里设置了3，所以会有3条结果。

好了，以上便是这次网络搜索工具的示例，8b的模型推理非常流畅，但是推理结果却显得很一般，可以尝试更大尺寸的模型。

---

文章最后

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、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！

一、大模型全套的学习路线

L1级别：AI大模型时代的华丽登场
L2级别：AI大模型API应用开发工程
L3级别：大模型应用架构进阶实践
L4级别：大模型微调与私有化部署

达到L4级别也就意味着你具备了在大多数技术岗位上胜任的能力，想要达到顶尖水平，可能还需要更多的专业技能和实战经验。

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、大模型经典PDF书籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人在大模型时代，需要不断提升自己的技术和认知水平，同时还需要具备责任感和伦理意识，为人工智能的健康发展贡献力量。

有需要全套的AI大模型学习资源的小伙伴，可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】

如有侵权，请联系删除。