当前位置：首页 > news >正文

Langchain指南-关键特性：使用聊天模型调用工具

news 2025/9/1 12:56:16

在这里插入图片描述

如何使用聊天模型调用工具

title: 先决条件
本指南假定您熟悉以下概念：- 聊天模型
- 工具调用
- 工具
- 输出解析器

工具调用允许聊天模型通过“调用工具”来响应给定的提示。

记住，虽然“工具调用”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！模型只生成工具的参数，而是否运行工具（或是否不运行）取决于用户。

工具调用是一种从模型生成结构化输出的通用技术，即使你不想调用任何工具，你也可以使用它。一个例子用例是从非结构化文本中提取。

在这里插入图片描述

如果您想了解如何使用模型生成的工具调用实际运行工具，请查看此指南。。

工具调用并非通用，但许多流行的 LLM 提供商支持。您可以在此处找到所有支持工具调用的模型列表。

LangChain 实现了定义工具、将它们传递给LLMs以及表示工具调用的标准接口。本指南将介绍如何将工具绑定到LLM，然后调用LLM来生成这些参数。

定义工具模式

为了使模型能够调用工具，我们需要传递描述工具功能及其参数的工具模式。支持工具调用功能的聊天模型实现了一个.bind_tools()方法，用于将工具模式传递给模型。工具模式可以作为 Python 函数（带有类型提示和文档字符串）、Pydantic 模型、TypedDict 类或 LangChain 工具对象传递。后续对模型的调用将传递这些工具模式以及提示。

Python 函数

我们的工具模式可以是 Python 函数：

# The function name, type hints, and docstring are all part of the tool
# schema that's passed to the model. Defining good, descriptive schemas
# is an extension of prompt engineering and is an important part of
# getting models to perform well.
def add(a: int, b: int) -> int:"""计算两个数字之和Args:a: 第一个数字b: 第二个数字"""return a + bdef multiply(a: int, b: int) -> int:"""计算两个数字之乘积.Args:a: 第一个数字b: 第二个数字"""return a * b

LangChain 工具

LangChain 还实现了一个@tool装饰器，允许进一步控制工具模式，例如工具名称和参数描述。请参阅此处的如何指南以获取详细信息。

Pydantic 类

您可以使用Pydantic等价地定义没有伴随函数的模式。

请注意，除非提供默认值，否则所有字段都是必需的。

from pydantic import BaseModel,Fieldclass sub(BaseModel):"""计算两个数的差"""a: int = Field(..., description="第一个数字")b: int = Field(..., description="第二个数字")class add(BaseModel):"""Add two integers."""a: int = Field(..., description="First integer")b: int = Field(..., description="Second integer")class multiply(BaseModel):"""Multiply two integers."""a: int = Field(..., description="First integer")b: int = Field(..., description="Second integer")

类型字典类 TypedDict

需要 langchain-core>=0.2.25

或者使用 TypedDicts 和注解：

from typing_extensions import Annotated,TypedDictclass add_dict(TypedDict):"""计算两个数字的和"""a: Annotated[int, ...,Field(description="第一个数字")]b : Annotated[int ,...,Field(description="第二个数字")]class multiply_dict(TypedDict):"""计算两个数字的积"""a: Annotated[int, ...,Field(description="第一个数字")]b : Annotated[int ,...,Field(description="第二个数字")]

要将这些模式绑定到聊天模型，我们将使用 .bind_tools() 方法。这处理将 add 和 multiply 模式转换为模型正确的格式。每次调用模型时，工具模式都会传递给它。

from pykg import openai_scill_chat_model as model
tools = [add, multiply]
llm_with_tools  = model.bind_tools(tools)query = "What is 3 * 12?"llm_with_tools.invoke(query)

additional_kwargs={'tool_calls': [{'id': '0198ff85db627fbc21f171e9c2d1d458', 'function': {'arguments': ' {"a": 3, "b": 12}', 'name': 'multiply'}, 'type': 'function', 'index': 0}], 'refusal': None}

正如我们所见，我们的LLM生成了工具的参数！您可以查看bind_tools()的文档，了解所有自定义LLM选择工具的方法，以及如何强制LLM调用工具而不是让它决定的指南。

工具调用

如果工具调用包含在LLM响应中，它们将附加到相应的消息或消息块作为一个工具调用的列表对象在 .tool_calls 属性中。

请注意，聊天模型可以同时调用多个工具。

一个 ToolCall 是一个包含工具名称、参数值字典以及（可选的）标识符的键值对字典。

没有工具调用的消息默认为此属性为空列表。

query = "What is 3 * 12? Also, what is 11 + 49?"llm_with_tools.invoke(query)."""
[{'name': 'multiply','args': {'a': 3, 'b': 12},'id': 'call_1fyhJAbJHuKQe6n0PacubGsL','type': 'tool_call'},{'name': 'add','args': {'a': 11, 'b': 49},'id': 'call_fc2jVkKzwuPWyU7kS9qn1hyG','type': 'tool_call'}]"""

.tool_calls 属性应包含有效的工具调用。请注意，有时模型提供者可能会输出格式错误的工具调用（例如，不是有效 JSON 的参数）。在这些情况下，解析失败时，将出现无效工具调用实例在 .invalid_tool_calls 属性中填充。一个 InvalidToolCall 可以有一个名称、字符串参数、标识符和错误消息。

解析

如果需要，输出解析器可以进一步处理输出。例如，我们可以将已填充在.tool_calls上的现有值转换为 Pydantic 对象。

PydanticToolsParser：Pydantic 工具解析器

from langchain_core.output_parsers import PydanticToolsParser
from pydantic import BaseModel, Fieldclass add(BaseModel):"""Add two integers."""a: int = Field(..., description="First integer")b: int = Field(..., description="Second integer")class multiply(BaseModel):"""Multiply two integers."""a: int = Field(..., description="First integer")b: int = Field(..., description="Second integer")chain = llm_with_tools | PydanticToolsParser(tools=[add, multiply])
chain.invoke(query)