LLM-Agents详解Agent中工具使用Workflow（1）

关注

原创最新推荐文章于 2026-08-28 11:59:12 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

敲黑板！吴恩达开始强推Agent工作流；智能体平台深度体验报告；OpenAI GPTs可能要烂尾了；抓住Agent创业风口；大模型Agent技术万字解析 | ShowMeAI日报日报关键词：淘宝/腾讯/谷歌/苹果等近期LLM新闻合集；OpenAI GPTs可能要烂尾；🉑10+平台的AI Agent体验报告；🉑吴恩达强推Agent工作流；🉑智能体行业最新共识；🉑大模型Agent技术完整解读……点击阅读全文阅读详情

我们在文章[[LLM-Agents] 提升LLM性能利器Agents workflow我们提到Agent的四种工作流：反思、工具使用、推理和多智能体协作。在此之前，我们已经在前面文章中阐述了反思设计思想。本篇我们将深入Agent工作流第二部分：工具使用。Andrew.Ng教授在文章将工具使用定义为LLM被赋予可以请求调用的函数，用于收集信息、采取行动或操纵数据，是一种Agent工作流的主要设计模式。

Tool Use, in which an LLM is given functions it can request to call for gathering information, taking action, or manipulating data, is a key design pattern of AI agentic workflows. – Andrew.Ng

我们知道单纯的依赖LLM预训练的知识是无法解决一些诸如数学计算、代码运行、实时的天气预报等问题的，常见的做法是当用户提出问题时，触发LLM生成特定格式的字符串，以请求调用相应的工具，LLM会决定执行网络搜索以获取相关信息，或者运行代码来执行特定计算。然后，系统会处理这些字符串，调用相应的功能，并将结果返回给LLM，以供进一步处理和回答用户的问题。或许你已经在前文Reflexion框架中初步了解如何在LLM流程中使用wikipedia这样的工具，在其他聊天工具比如Copliot中也有见过使用网络搜索的案例。著名的LLM应用开发框架Langchain中甚至内置了几十种工具供开发者使用，比如ArXiv、Bing Search、Wikipedia、Youtube、Google、PubMed、Python REPL、HuggingFace和Yahoo Finance Data等。开发者通过提供描述函数的详细说明和函数期望的参数信息来引导LLM去解析获取相关信息，然后自动选择调用正确的函数来完成任务。在多模态大模型未出来之前，有些研究者拓展了函数调用，使其能够调用图像识别模型或者生成模型进行处理图像，使得LLM不在局限于文本处理方面的工作。接下来，我们先了解一下OpenAI提供的Function Calling接口和响应是如何进行函数调用。

1. OpenAI函数调用

请求

python
复制代码
curl https://api.openai.com/v1/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
  "model": "gpt-4-turbo",
  "messages": [
    {
      "role": "user",
      "content": "What'''s the weather like in Boston today?"
    }
  ],
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_current_weather",
        "description": "Get the current weather in a given location",
        "parameters": {
          "type": "object",
          "properties": {
            "location": {
              "type": "string",
              "description": "The city and state, e.g. San Francisco, CA"
            },
            "unit": {
              "type": "string",
              "enum": ["celsius", "fahrenheit"]
            }
          },
          "required": ["location"]
        }
      }
    }
  ],
  "tool_choice": "auto"
}'

响应

json
复制代码
{
  "id": "chatcmpl-abc123",
  "object": "chat.completion",
  "created": 1699896916,
  "model": "gpt-3.5-turbo-0125",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": null,
        "tool_calls": [
          {
            "id": "call_abc123",
            "type": "function",
            "function": {
              "name": "get_current_weather",
              "arguments": "{\n"location": "Boston, MA"\n}"
            }
          }
        ]
      },
      "logprobs": null,
      "finish_reason": "tool_calls"
    }
  ],
  "usage": {
    "prompt_tokens": 82,
    "completion_tokens": 17,
    "total_tokens": 99
  }
}

2. Langchain函数调用

python
复制代码
from langchain_core.tools import tool

@tool
def get_current_weather(location: str, unit: str = "celsius") -> int:
    """
    Get the current weather in a given location.
    """
    return 24

print(get_current_weather.name)
print(get_current_weather.description)
print(get_current_weather.args)

输出

bash
复制代码
get_current_weather
get_current_weather(location: str, unit: str = 'celsius') -> int - Get the current weather in a given location.
{'location': {'title': 'Location', 'type': 'string'}, 'unit': {'title': 'Unit', 'default': 'celsius', 'type': 'string'}}

结合OpenAI的函数调用API，我们知道一个函数调用需要提供函数名，函数说明，函数的参数名称、类型和说明，这样在LLM在响应的时候，就知道是否可以在tool里匹配上当前的提问，并解析到响应的参数。Langchain中通过装饰器tool将函数的名称、说明、参数的说明等自动提取，这样在构造函数调用请求的时候，就能从函数上获取到这些信息。

3. 限制

假设在构建的LLM系统中，需要访问数百个工具，这数百个函数的说明必然使得LLM Prompt爆炸，甚至超越LLM提供的上下文Token数量限制。有些研究者采用启发式的方法选择最相关的子集，然后再进一步的选择具体的函数。有几篇论文论述了如何支持数百个工具调用和进行多模态函数调用。

4.Gorrila: 赋能LLM与海量API连接

作者研究了LLM在工具调用方面需要使用数百万个不断变化的API的集合的问题，此时不可能再像上面一样把所有的函数说明升成Prompt提供给大模型，并且许多API将具有重叠的功能，以及些微的限制和约束，这会导致LLM幻觉问题产生，比如生成不存在模型，不存在函数接口。我用chatgpt让他基于某个框架写功能代码的时候，我经常遇到他给我提供一些不存在的函数，出现幻觉了。作者为了评估这种数百万API工具调用的问题，构建了一个APIBench数据集，包含 HuggingFace、TorchHub 和 TensorHub 的 API，并提出了一个微调的 LLaMA 模型，该模型在 API 调用编写任务上的性能超过了 GPT-4。 Gorilla整体流程如下图所示，主要是以下4个步骤。需要使用API文档文具来微调Llama-7B模型，负责专门处理API调用。

用户提示：用户提供输入，描述他们希望使用 API 实现的特定任务或目标。
检索（可选）：Gorilla 使用文档检索器（例如 BM25 或 Llama-Index）从数据库中获取最新的 API 文档。然后，该文档和用户提示一起发送给Gorrila，指示 Gorilla 使用它作为参考。
API 调用生成：Gorilla 处理用户提示（和检索到的文档，如果启用检索的话）以生成满足用户任务或目标的适当 API 调用。这是通过 Gorilla 的微调 LLaMA-7B 模型实现的，该模型专为 API 调用而设计。
输出：Gorilla 将生成的 API 调用返回给用户，然后可用于与所需的 API 进行交互并完成指定的任务。

值得注意的是，Gorilla 具有很强的适应性，可以在零样本和检索模式下运行，使其能够适应 API 文档的变化并随着时间的推移保持准确性，可以减少LLM在处理工具调用时的幻觉问题。

Chain-Of-Abstraction Reasoning 通过抽象链推理实现高效工具使用

CoA抽象链推理是用于解决在多步推理中的工具调用问题，不仅提高准确率，而且还支持并行调用加快推理速度。提出了一种新方法，训练 LLMs 首先生成带有抽象占位符的推理链，然后调用领域工具来实现每个推理链，通过填充特定知识来具体化推理流程。CoA 方法使 LLMs 能够学习更通用的推理策略，这些策略对领域知识的变动（如数学结果）具有鲁棒性。同时，它还允许 LLMs 并行执行解码和调用外部工具，避免了因等待工具响应而造成的推理延迟。它还允许LLM并行执行解码和调用外部工具，避免了等待工具响应而引起的推理延迟。在数学推理和 Wiki QA（问答）领域，CoA 方法在分布内和分布外测试集上均一致优于先前的链式思考（CoT）和工具增强（tool-augmented）基线，平均绝对 QA 准确率提高了约 6%。使用 CoA 方法训练的 LLM 代理还显示出更高效的工具使用，平均推理速度比基线工具增强 LLMs 快约 1.4 倍。

头图为例具体的说

首先，构造这种使用抽象占位符推理的数据，然后微调LLM，使得其能够输出上图中蓝框所示的带有抽象占位符的推理步骤的输出。
第二步，调用外部工具填充抽象占位符的数据
第三步，将填充好的数据输出。评测显示，其在数学评估上显示出了优越的性能。

6. MM-REACT：提示ChatGPT做多模态推理和执行

这是一个比较有意思的论文，提出了一个将 ChatGPT 与视觉专家模型结合的系统，以解决复杂的视觉理解任务。通过设计文本提示（prompt design），使得语言模型能够接受、关联和处理多模态信息，如图像和视频。展示了 MM-REACT 在不同场景下处理高级视觉理解任务的有效性，如多图像推理、多跳文档理解、视频摘要和事件定位等。讨论了 MM-REACT 与通过联合微调扩展语言模型到多模态场景的替代方法的比较，并探讨了 MM-REACT 的可扩展性。具体的说，使用LangChain 代码库实现如下流程的MM-REACT，并使用 Azure Cognitive Services APIs 中的公共视觉专家模型。

用户输入一张图像和对应的提问
LLM使用ReAct模式Thought、Action和Observation
执行Action，调用视觉工具，诸如图像字幕生成、图像标记、密集字幕、光学字符识别（OCR）和特定识别模型，如名人识别和收据识别。典型的测试流程可以去Hugging Face上mm-react - a Hugging Face Space by microsoft-cognitive-service测试这个demo，但是它只能识别它自己提供的样例图片，不支持用户上传文件。我看了代码才知道，你需要输入图像的URL才会识别。如下图所示。

7. 总结

本篇从处理海量API调用、多步推理中调用以及多模态中使用3个方面详细探讨了工具调用在LLM中深入应用。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍