当前位置： 首页 > news >正文

【橘子大模型】Tools/Function call

news 2025/8/26 6:34:45

一、简介

截止目前，我们对大模型的使用模式仅仅是简单的你问他答。即便是拥有rag，也只是让大模型的回答更加丰富。但是大模型目前为止并没有对外操作的能力，他只是局限于他自己的知识库。
举个例子，到今天4.21为止，你去问任何一个本地部署的大模型，美国对中国加的关税是多少，相信他们都不能给出答案，因为这个事件太新了。相信所有的模型还没有这部分知识。
那我们除了训练rag检索，能不能让大模型主动去外部的网站去搜一下呢，比如维基百科，百度百科等等有实时新闻的网站。
这个概念的意思是，让大模型具有对外操作的能力，而问答只是他的一个子集。既然能对外操作，我们可以让他去读取数据库，或者修改文件。这样也是一个能力。基于这个能力，我们涉及到的几个相关概念分别是tools和fucntion call。本文我们先来看tools。

二、langchain的文档阅读

有人之前问我，如何在langchain中找到对应的概念，这里我来说一下流程。首先进入langchain的文档页面找到概览。
在这里插入图片描述

在这里插入图片描述
你可以针对性的找到你想要的实现。比如我们这次要找tools。我们可以找到
在这里插入图片描述
点击进去可以看到,langchain支持多种外部搜索来丰富检索。
在这里插入图片描述
其中当然包括维基百科和谷歌搜索等等你常用的搜索模式。
当然除了搜索他还集成了很多其他的能力。
在这里插入图片描述
ok，我们先使用一下搜索吧。
我们可以在All tools栏目找到Wikipedia的栏目，点击进去查看即可。

三、如何使用tools来进行搜索

我们点击进去查看维基百科的内容如下。
在这里插入图片描述
首先第一步就是安装一个组件，wikipedia。

1、安装wikipedia依赖

我们目前位于pycharm的虚拟环境中，打开setting->Project 然后选择项目名称buildchatBot。
进入Python Interpreter这个地方。点击加号，在线搜索这个依赖。安装即可。
在这里插入图片描述
在这里插入图片描述

你可以再点进去看看安装列表里面有没有，或者直接使用命令行进入虚拟环境使用命令pip list查看即可。
至于langchain_community之前我们就安装过了，这里就不再安装了，方式和维基百科这个一样。

2、代码编写

from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapperwikipedia = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())resp = wikipedia.run("Who is kobe")
print(resp)

在这里插入图片描述
我们看到输出没毛病。
ok，到这里我们完成了对他内置的一些tools的调用，我们当然可以自己写一些tools来实现功能。

四、自定义tools

在这里插入图片描述
我们可以参考这里来实现。而且我们看到他支持三种方式来创建tools。
在这里插入图片描述
具体的内容可以去阅读文档，我们这里先使用第一种来实现一下。

1、使用Functions方式实现tools

在这里插入图片描述
这种方式下，我们导入tool的包，然后使用一个@tool的注解即可把一段函数定义为tools。一旦被定义为tools，他就和我们上面的wikipedia一样了。

# 注意，这里构建出来的wikipedia就是一个tools
wikipedia = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())

下面我们来定义一组tools。

from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper
from langchain_core.tools import toolwikipedia = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())@tool
def add(a: int, b: int) -> int:"""Add two numbers and return a result."""return a - b@tool
def subtract(a: int, b: int) -> int:"""Subtract two numbers and return a result."""return a - b@tool
def multiply(a: int, b: int) -> int:"""Multiply two numbers and return a result."""return a * b@tool
def divide(a: int, b: int) -> int:"""Divide two numbers and return a result."""return int(a / b)# 此时每一个@tool函数就成为了一个tool，我们就可以像上面的wikipedia一样直接invoke或者run。
print(multiply.invoke({"a": 1, "b": 2}))# 构建一个map，py的语法糖好用
tools = [wikipedia,add,subtract,multiply,divide]
map_of_tools = {tool.name:tool for tool in tools}
print(map_of_tools)

注意我们自己定义的tool每一个函数内部一定要写上这个函数的功能注释，不然llm不知道它要干啥。
此时我们在map_of_tools中存储着tool的名字和tool本身的映射。
但是到现在为止不管是上面的wikipedia还是我们自己构建的这三个，我们都是直接调用它，没有做到和大模型整合。所以我们接下来要把他们集成到大模型中。而且我们有如此多的tools，大模型如何映射到对应的tool上呢。下面我们就要把tool绑定到大模型上，也就是

2、tool和llm绑定

ok,我们在绑定tool之前，先试试没绑定是啥样的。我们直接问deepseek模型，哪吒2的票房是多少，他回答的啥玩意。
在这里插入图片描述
然后我们来操作绑定tool。

from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper
from langchain_core.tools import tool
from langchain_ollama import ChatOllamawikipedia = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())@tool
def add(a: int, b: int) -> int:"""Add two numbers and return a result."""return a - b@tool
def subtract(a: int, b: int) -> int:"""Subtract two numbers and return a result."""return a - b@tool
def multiply(a: int, b: int) -> int:"""Multiply two numbers and return a result."""return a * b@tool
def divide(a: int, b: int) -> int:"""Divide two numbers and return a result."""return int(a / b)# 此时每一个@tool函数就成为了一个tool，我们就可以像上面的wikipedia一样直接invoke或者run。
# print(multiply.invoke({"a": 1, "b": 2}))# 构建一个map，py的语法糖好用
tools = [wikipedia,add,subtract,multiply,divide]
map_of_tools = {tool.name:tool for tool in tools}
#print(map_of_tools)llm = ChatOllama(base_url = "http://127.0.0.1:11434",model = "huihui_ai/deepseek-r1-abliterated:14b",temperature = 0.5,num_predict = 10000
)# 构建绑定tools的模型对象，把tools都传进去
llm_bind_tools = llm.bind_tools(tools = tools)
# 执行问题
resp = llm_bind_tools.invoke("哪吒2的票房是多少")
print(resp.content)

此时我们绑定了tools，然后我们来测试。哦哦，绑定报错。
在这里插入图片描述
这是个问题，我们先来看ollama的官方网站。我们看tools栏目。
在这里插入图片描述
这个列表并没有deepseek，所以他不能绑定tools，不知道他啥时候支持，起码现在不行。我们换一个可以支持的。llama3.2:latest。我们再来测试一下他没绑定之前的回答，我不想改代码了，直接在命令行测试，一样的。
我们这次来问个别的问题，梅西啥时候拿的世界杯冠军(In which year did Messi win the World Cup championship)。
在这里插入图片描述

同样回答的是垃圾。显然他还没有获得这个知识，我们来绑定tools，里面有维基百科的检索，我们看看效果。

from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper
from langchain_core.tools import tool
from langchain_ollama import ChatOllamawikipedia = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())@tool
def add(a: int, b: int) -> int:"""Add two numbers and return a result."""return a - b@tool
def subtract(a: int, b: int) -> int:"""Subtract two numbers and return a result."""return a - b@tool
def multiply(a: int, b: int) -> int:"""Multiply two numbers and return a result."""return a * b@tool
def divide(a: int, b: int) -> int:"""Divide two numbers and return a result."""return int(a / b)# 此时每一个@tool函数就成为了一个tool，我们就可以像上面的wikipedia一样直接invoke或者run。
# print(multiply.invoke({"a": 1, "b": 2}))# 构建一个map，py的语法糖好用
tools = [wikipedia,add,subtract,multiply,divide]
map_of_tools = {tool.name:tool for tool in tools}
#print(map_of_tools)llm = ChatOllama(base_url = "http://127.0.0.1:11434",model = "llama3.2:latest",temperature = 0.5,num_predict = 10000
)# 构建绑定tools的模型对象，把tools都传进去
llm_bind_tools = llm.bind_tools(tools=tools)
# 执行问题
resp = llm_bind_tools.invoke("In which year did Messi win the World Cup championship")
print(resp)

返回的结果如下：

content='' additional_kwargs={} response_metadata={'model': 'llama3.2:latest', 'created_at': '2025-04-21T08:29:13.856523Z', 'done': True, 'done_reason': 'stop', 'total_duration': 442154000, 'load_duration': 30653750, 'prompt_eval_count': 420, 'prompt_eval_duration': 117939792, 'eval_count': 24, 'eval_duration': 293092167, 'message': Message(role='assistant', content='', images=None, tool_calls=None)} id='run-6fd2933c-35e6-48e0-a137-86ab28396f3e-0' tool_calls=[{'name': 'wikipedia', 'args': {'query': 'Lionel Messi World Cup championship year'}, 'id': '5df5fbc5-a739-4633-aa78-c8fdfb0919ca', 'type': 'tool_call'}] usage_metadata={'input_tokens': 420, 'output_tokens': 24, 'total_tokens': 444}

我们其实可以看到在tool_calls这里，他去维基百科的tool中去查看了Lionel Messi World Cup championship year这个问题。但是显然他没把答案拿回来。ok，我们先不管这个，我们换个问题，问一下1+1等于几，看看他能不能正确映射到我们的自定义tool中。
我们只需要修改问题:

resp = llm_bind_tools.invoke("1+1 = ？")

输出结果为:

content='' additional_kwargs={} response_metadata={'model': 'llama3.2:latest', 'created_at': '2025-04-21T08:35:18.014085Z', 'done': True, 'done_reason': 'stop', 'total_duration': 745998916, 'load_duration': 31028541, 'prompt_eval_count': 416, 'prompt_eval_duration': 459532959, 'eval_count': 22, 'eval_duration': 255003166, 'message': Message(role='assistant', content='', images=None, tool_calls=None)} id='run-b5eb0d8e-6c2d-4034-8cfe-fdf655805d84-0' tool_calls=[{'name': 'add', 'args': {'a': '1', 'b': '1'}, 'id': '97ec7e63-c9bb-4161-9b03-a7d0d3601224', 'type': 'tool_call'}] usage_metadata={'input_tokens': 416, 'output_tokens': 22, 'total_tokens': 438}

tool_calls显示他去调用了add，显然是我们自己定义的tool，ok，这个没问题。我们再来看为啥没结果返回的问题。

3、llm执行tool

我们来看一下我们现在所处的结构。
在这里插入图片描述
截止现在，我们的大模型绑定tool，以及大模型选择tool都做到了。但是有一点，大模型并没有去执行tool，这也导致我们没有拿到结果。
我们来梳理一下大模型现在要干啥。
1、用户的问题+prompttemplate。
2、大模型自己的数据，可能加一点问题重写等等
3、tool执行的内容
这三个逻辑都是我们需要实现的。或者整合到一起形成一个prompt来交给大模型。
所以我们就基于这个来实现这些功能。

from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper
from langchain_core.tools import tool
from langchain_ollama import ChatOllama
from langchain_core.messages import HumanMessagellm = ChatOllama(base_url = "http://127.0.0.1:11434",model = "llama3.2:latest",temperature = 0.5,num_predict = 10000
)wikipedia = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())@tool
def add(a: int, b: int) -> int:"""Add two numbers and return a result."""return a - b@tool
def subtract(a: int, b: int) -> int:"""Subtract two numbers and return a result."""return a - b@tool
def multiply(a: int, b: int) -> int:"""Multiply two numbers and return a result."""return a * b@tool
def divide(a: int, b: int) -> int:"""Divide two numbers and return a result."""return int(a / b)tools = [wikipedia,add,subtract,multiply,divide]
map_of_tools = {tool.name:tool for tool in tools}# 初始问题
query = "In which year did Messi win the World Cup championship？"
message = [HumanMessage(query)]# 构建绑定tools的模型对象，把tools都传进去
llm_bind_tools = llm.bind_tools(tools=tools)
# llm执行初始问题，得到ai自己的答案，注意，这里还没执行tool，只是选择了tool
ai_message = llm_bind_tools.invoke(message)# 初始问题也就是人的问题，然后把ai的答案拼起来，此时得到了两个信息
message.append(ai_message)# 遍历ai的执行结果，取出他选择的tool
for tool_call in ai_message.tool_calls:# 统一小写tool_name = tool_call['name'].lower()# 从map映射取出对应的toolexecute_tool = map_of_tools[tool_name]# 执行tool，并且把tool_call传入，其实这个tool_call是个map结构，正是参数print(tool_call)tool_invoke = execute_tool.invoke(tool_call)message.append(tool_invoke)print(message)
# 把人的问题，ai的结果，以及tool都整合到一个message里面，让tool大模型去执行，最后就是最终结果了。
final_output = llm_bind_tools.invoke(message)
print(final_output)

输出如下:

content='Lionel Messi has not yet won a World Cup championship with Argentina. However, he did win the 2022 FIFA World Cup and the 2022 Finalissima with the team.' additional_kwargs={} response_metadata={'model': 'llama3.2:latest', 'created_at': '2025-04-21T10:29:05.415923Z', 'done': True, 'done_reason': 'stop', 'total_duration': 1477919166, 'load_duration': 54046166, 'prompt_eval_count': 857, 'prompt_eval_duration': 913792292, 'eval_count': 40, 'eval_duration': 505105166, 'message': Message(role='assistant', content='Lionel Messi has not yet won a World Cup championship with Argentina. However, he did win the 2022 FIFA World Cup and the 2022 Finalissima with the team.', images=None, tool_calls=None)} id='run-543c9699-2c87-463e-bc1f-2057b46a2f75-0' usage_metadata={'input_tokens': 857, 'output_tokens': 40, 'total_tokens': 897}

有一说一，很傻逼，梅西没和阿根廷获得过世界杯冠军，但是他们获得了2022年的fifa世界杯冠军。真的麻了，可能还是模型太小了。

4、文档手册解析

这里很容易有个疑问，就是tool_invoke = execute_tool.invoke(tool_call)这一句为啥传入了tool_call。
可以参考文档
于是问题来了，在langchain的tools文档是这样的。
在这里插入图片描述
创建工具，也就是我们构建内置的或者自己的。
使用内置工具，也就是我们直接调用invoke
使用聊天模型调工具，其实就是llm选择tool
工具输出给聊天模型，其实就是选择之后把结果返回给模型，模型来调用执行工具。
后面的可以进一步学习。

五、总结

我们到此就让大模型联网检索了，其实还能进一步调用tool来完成更多的能力。至于很类似的function call功能，我理解就是大模型对外调用的能力，其实就是利用模型的tool功能去实现的一种操作。

http://www.xdnf.cn/news/60247.html

相关文章：

  • 【MySQL】库的操作
  • MCU开发学习记录10 - 高级定时器学习与实践(HAL库)—PWM互补输出、死区控制、刹车控制 - STM32CubeMX
  • 邀请函 | 「软件定义汽车 同星定义软件」 TOSUN用户日2025·杭州站
  • SQL 中 ROLLUP 的使用方法
  • 系统安全及应用
  • Spark-SQL与Hive集成及数据分析实践
  • 【C++游戏引擎开发】第18篇：视锥体裁剪与光源剔除
  • XMLXXE 安全无回显方案OOB 盲注DTD 外部实体黑白盒挖掘
  • 基于LangChain与Neo4j构建企业关系图谱的金融风控实施方案，结合工商数据、供应链记录及舆情数据，实现隐性关联识别与动态风险评估
  • AI 赋能 3D 创作！Tripo3D 全功能深度解析与实操教程
  • 从本地存档到协作开发的Git简单使用
  • visionpro案例: 轴承缺珠检测
  • 递归神经网络
  • 互联网大厂Java面试：Spring Cloud与微服务的奇妙之旅
  • JAVA：利用 Apache Tika 提取文件内容的技术指南
  • 并发编程之ReentrantLock
  • xpath选择器
  • Spring AI 框架-快速搭建以及会话日志（笔记）
  • Java实现希尔排序算法
  • 在线查看【免费】 jpg, jpeg, png, gif, bmp, ico, jfif, webp 等图片预览（翻转，缩放，镜像）文件格式网站
  • 突破网页数据集获取难题：Web Unlocker API 助力 AI 训练与微调数据集全方位解决方案
  • Nginx详细使用
  • 规则引擎 - Easy Rules
  • 使用openssl为localhost创建自签名
  • 运维概述（linux 系统）
  • 【Python核心库实战指南】从数据处理到Web开发
  • MCP + 数据库，一种比 RAG 检索效果更好的新方式！
  • Python+CoppeliaSim+ZMQ remote API控制机器人跳舞
  • 【c语言】指针进阶
  • 2025年首届人形机器人半程马拉松比赛（附机器人照片）