【AI大模型】深入理解Agent：从0实现function call

最新推荐文章于 2025-09-17 10:53:10 发布

原创最新推荐文章于 2025-09-17 10:53:10 发布 · 1.3k 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #llama #Llama #知识图谱 #自然语言处理 #Agent #大模型微调

Function的调用时Agent实现很重要的一步，只有了解了这个原理才可以更好的创建Agent。

我将不使用任何langchain等框架或者coze等平台，从0开始构建一个可以调用function的Agent。

源代码已经上传github：github.com/astordu/age…

一、场景

Agent的目标：可以回答关于天气的问题。用到的function：调用某地方的天气情况，并且反馈

流程： 1.思考：用户输入问题，模型先对问题进行分析 2.行动：如果问到了天气问题，则分析出需要调用的function以及function要传入的参数 3.响应：function返回后，将答案整理好回复给用户。

函数自定：

我们先定义一个获取天气的函数（属于Tools中的一个，这里用于演示，不做真实调用）：
```
     def get_weather(location):
             return "天气晴朗"
```

再定义一个大模型的发送信息的方法：

 def send_messages(messages):
         response = client.chat.completions.create(
         model="deepseek-chat",
         messages=messages
         )
         return response.choices[0].message

 client = OpenAI(
         api_key="<你的deepseek的key>",
         base_url="https://api.deepseek.com",
 )

二、设计思路

在这里插入图片描述

从“用户提出问题”到“思考”到“响应”其实是调用了多次LLM模型。

所以我们要求模型按照顺序去调用LLM：

你在运行一个“思考”，“工具调用”，“响应”循环。每次只运行一个阶段

1.“思考”阶段：你要仔细思考用户的问题
2.“工具调用阶段”：选择可以调用的工具，并且输出对应工具需要的参数
3.“响应”阶段：根据工具调用返回的影响，回复用户问题。

已有的工具如下：
get_weather：
e.g. get_weather:天津
返回天津的天气情况

Example：
question：天津的天气怎么样？
thought：我应该调用工具查询天津的天气情况
Action：
{
	"function_name":"get_response_time"
	"function_params":{
		"location":"天津"
	}
}
调用Action的结果：“天气晴朗”
Answer:天津的天气晴朗

上边的逻辑正好可以当作system的提示语：

system="""
	你在运行一个“思考”，“工具调用”，“响应”循环。每次只运行一个阶段
	
	1.“思考”阶段：你要仔细思考用户的问题
	2.“工具调用阶段”：选择可以调用的工具，并且输出对应工具需要的参数
	3.“响应”阶段：根据工具调用返回的影响，回复用户问题。
	
	已有的工具如下：
	get_weather：
	e.g. get_weather:天津
	返回天津的天气情况
	
	Example：
	question：天津的天气怎么样？
	thought：我应该调用工具查询天津的天气情况
	Action：
	{
		"function_name":"get_response_time"
		"function_params":{
			"location":"天津"
		}
	}
	调用Action的结果：“天气晴朗”
	Answer:天津的天气晴朗
"""

第一步，向模型提问一个问题

question="北京天气怎么样"

messages = [{"role": "system", "content": system_prompt},
{"role": "user", "content": question}]

message = send_messages(messages)
print(f"Model-1th>\n {message.content}")

返回值：

Model-1th>
 thought：我应该调用工具查询北京的天气情况
Action：
{
        "function_name":"get_weather",
        "function_params":{
                "location":"北京"
        }
}

可以看出模型已经进行了思考，并且返回了可以调用的工具了

第二步，如果从“第一步”的返回值中可以提取调用工具的json

第三步，调用真实工具,获取真实结果(这里是伪代码)

    invoke_function(**function_name,**function_params)

第四步，将工具调用的结果追加到message中，一起给到模型，让它总结回答：

messages.append({"role": "assistant", "content": f"调用Action的结果:{tianqi}"})
message = send_messages(messages)

print(f"Model-2th>\n {message.content}")

返回值：

Model-2th> 
北京今天的天气晴朗。

三、tools功能的演进

随着LLM调用工具的普及，这种调用方法集成在大模型api接口中就变得越重要。

大部分模型厂商已经支持了function call，下面是deepseek工具调用的一个例子[1]：

response = client.chat.completions.create(
	model="deepseek-chat",
	messages=messages,
	tools=tools
)

其中 tools是可以供模型选择的工具。

写在最后

从0开发写function的逻辑，需要让模型思考、观察、行动。其实这个流程的循环其实就是ReAct框架的原理。

程序员为什么要学大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

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
- L2.3 流水线工程
- L2.4 总结与展望