用于调用工具的聊天模型：实用指南

本文链接：https://blog.csdn.net/sjufgwgfhoia/article/details/142327581

# 用于调用工具的聊天模型：实用指南

## 引言

在人工智能的快速发展中，聊天模型已经成为解决复杂问题的重要工具之一。然而，这些模型并非直接执行操作，而是通过生成工具调用的参数来实现。这篇文章将深入探讨如何使用聊天模型生成结构化输出，并调用工具以实现预期功能。

## 主要内容

### 什么是工具调用？

工具调用是一种技术，通过聊天模型生成特定工具所需的参数。模型本身并不执行操作，而是生成调用工具的必要信息。此方法常用于从非结构化文本中提取信息。

### 定义工具模式

为了让模型能够调用工具，我们需要定义工具模式。这些模式描述了工具的功能及其参数，可以通过Python函数、Pydantic模型、TypedDict类或LangChain工具对象来实现。

#### 示例：Python函数

```python
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

绑定工具到聊天模型

我们可以使用bind_tools()方法将定义好的工具模式绑定到聊天模型上，从而在每次调用模型时传递这些工具模式。

示例代码

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini")

# 使用API代理服务提高访问稳定性
tools = [add, multiply]
llm_with_tools = llm.bind_tools(tools)

query = "What is 3 * 12?"
llm_with_tools.invoke(query)

解析输出

输出解析器可以进一步处理生成的工具调用。例如，我们可以使用PydanticToolsParser将输出转换为Pydantic对象：

from langchain_core.output_parsers import PydanticToolsParser

chain = llm_with_tools | PydanticToolsParser(tools=[add, multiply])
chain.invoke(query)