AI菜鸟向前飞 — LangChain系列之十三 - 关于Tool的必知必会

之前给大家介绍了对大语言模型知识助力的一种方式RAG，大家可以回顾

AI菜鸟向前飞 — LangChain系列之十 - RAG（上篇）

AI菜鸟向前飞 — LangChain系列之十一 - RAG（中篇）

AI菜鸟向前飞 — LangChain系列之十二 - RAG（下篇）

接下来 介绍如何使用Tool为大语言模型助力。

同时，Tool也是学会Agent和LangGraph的重要基础哈

Tool三要素

实现方式（三种）

Class定义

class CustomToolClass(BaseTool):

    name = "Custom tool"
    description = "这是一个处理XXX问题的工具"

    def _run(self, text: str) -> str:
        …………………………
        return "你好啊，我的处理结果是xxxxxx"

    async def _arun(self, text: str) -> str:
        return "你好啊，我的处理结果是xxxxxx"

StructuredTool

def dealwithX(text: str) -> str:
    '''这是一个处理XXX问题的工具'''
    …………………………
    return "你好啊，我的处理结果是xxxxx"

CustomTool = StructuredTool.from_function(
    func=dealwithX,
    name = "处理函数",
    description="你好啊，我是一个处理函数",
)

装饰器Decorater

@tool
def dealwithX(text1: str) -> str:
    '''这是一个处理XXX问题的工具'''
    …………………………
    return "你好啊，我的处理结果是xxxxx"

与大语言模型交互

先看一段代码

@tool
def get_citations(docs: str):
    ''' 这是一个询问文章出处的处理函数 '''
    return f"{docs}的文章出自于 Song榆钱儿公众号，欢迎关注。"

@tool
def contain_docs(series: str):
    """查询包含多少篇文章的函数"""
    return f"这个{series}里面已包含20多篇文章。"

tools = [get_citations, contain_docs]

model_with_tool = model.bind_tools(tools=tools)

res = model_with_tool.invoke("你正在阅读的'AI菜鸟系列'文章出自哪里？这个公众号一共有多少篇文章？")

print(res)

返回的内容很多很多，我挑两个个重点内容介绍下

• additional_kwargs

包含了tool_calls，即：把上面写的那两个Tool（函数）转成json格式返回

• Tool_calls

一个单独的tool_calls列表，此处划重点，后面会用到它

[{'name': 'get_citations', 'args': {'docs': 'AI菜鸟系列'}, 'id': 'a8ff6f2f78c84bc3a3999ae2b0356c0a'},
 {'name': 'contain_docs', 'args': {'series': 'AI菜鸟系列'}, 'id': 'ff4beda02a61404a922affae5aff5099'}]

聪明的小伙伴能想到，我们也可以把上面的程序改成这种形式，就不会看那么多繁琐的内容

print(res.tool_calls)

函数还没被真正调用起来

    因为还没开始介绍Agent和LangGraph，这里我们可以“曲线救国”，用最原始的方式，代码如下：

func_with_args = res.tool_calls
# 映射
func_map = {"get_citations": get_citations, "contain_docs": contain_docs}
# 挨个调用
for each in func_with_args:
    func_res = func_map[each["name"]].invoke(input=each["args"])
    print(func_res)

输出结果

AI菜鸟系列的文章出自于 Song榆钱儿公众号，欢迎关注。
这个AI菜鸟系列里面已包含20多篇文章。

如果这么做，那要LangChain有何用...后面讲到Agent你就懂了：）

扩展知识

在早期的版本中（直接用OpenAI）在bind函数时（上面例子我们直接用的bind_tools），需要把函数转成json才能“绑”成功，这里就扩展一个这方面的知识点，使用

from langchain_core.utils.function_calling import convert_to_openai_function

convert_to_openai_function(get_citations)

让我们看看返回结果，有没有觉得跟上面的additional_kwargs很像

{'name': 'get_citations',
 'description': '这是一个询问文章出处的处理函数',
 'parameters': {
     'type': 'object', 
     'properties': {
         'docs': {
             'type': 'string'}
        	     },
     'required': ['docs']
      }
}

    聪明的小伙伴会想到，上面bind_tool是不是可以用bind替换掉， 那...当然没问题

# model_with_tool = model.bind_tools(tools=[get_citations, contain_docs])

model_with_tool = model.bind(tools=[convert_to_openai_function(get_citations), convert_to_openai_function(contain_docs)])

基础打牢了之后，下一篇将开始介绍Agent ：）