LangChain实战技巧之三：关于Tool的一点拓展

    （几乎）任一LLM在bind_tools时，都是习惯先定义一个Function或BaseTool，然后再bind（bind_tools）具体方式可参考我的这篇文章

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

    但这里的tool未必需要Function或BaseTool，例如，BaseModel也可以

通过convert_to_openai_function把转换成dict（也有人称json），再bind也行，我的公众号也有描述这种方式

BaseModel（Pydantic）

• bind_tools

    先定义

# 我们首先定义一个BaseModel
class Info(BaseModel):
    """ 个人信息 """
    nickname: str = Field(description="昵称")
    name: str = Field(description="真实姓名")
    age: int = Field(description="年龄")

    然后绑上

llm_bound_tool = llm.bind_tool(Info)
# 居然也可以绑定，不报错，你猜猜为啥...

# 调用一下看看效果
llm_bound_tool.invoke("'Song榆钱儿'，你的真实个人信息资料是什么呢")

    输出结果

（此处省略一些没必要的内容）
id='run-23ddbdbb-126e-4ab5-af19-85d0d3a41416-0' tool_calls=[{'name': 'Info', 'args': {'age': 0, 'name': '', 'nickname': "'Song榆钱儿'"}, 'id': '8a7a9fb949094ca1953db76891864157'}]

观察：跟平时你bind普通的function很类似吧

• Agent

    再看看用Agent行不行

agent = create_tool_calling_agent(llm=llm, tools=[Info], prompt=prompt)
# 调用一下试试
agent.invoke({"input": "'Song榆钱儿'，你的真实个人信息资料是什么呢", "intermediate_steps": []})

    输出结果

（此处省略一些没必要的内容）
'tool_calls': [{'id': 'eb5e268e468b49478ed158715328a8e0', 'function': {'name': 'Info', 'arguments': '{"age": 0, "name": "", "nickname": "\'Song\\u6986\\u94b1\\u513f\'"}'}, 'type': 'function'}], 'token_count': {'output_tokens': 17}} id='run-1bd63fff-047c-4ffd-b7bd-004122bafd1d-0' tool_calls=[{'name': 'Info', 'args': {'age': 0, 'name': '', 'nickname': "'Song榆钱儿'"}, 'id': '60be844b22e743279fa7f56314625510'}]

    其实，通过Agent源码你就能看到

    虽然在函数传参的时候，必须指定，但暂时看来“无所谓”。。。

• 最后一种

    为了实现Tool，还可以用coze的方式，请参考我的这篇文章

AI菜鸟向前飞 — 属于你的AI机器人（无需编码篇）

可以用Python的方式调用即可

        就不演示了， GPTs也类似这种

本篇结语

    再回到LangChain用到BaseModel的作用，基本上都是结构化输入或者输出， 有些资料告诉你，可以通过create_openai_fn_runnable，这个函数在0.1版本已经过时

现在更多推荐使用with_structured_output的方式实现，如下所示：

llm_with_output = llm.with_structured_output(Info)
res = llm_with_output.invoke("'Song榆钱儿'，你的真实个人信息资料是什么呢")