掌握工具调用：AI模型与函数交互的新维度_显式工具调用 api 的模型-优快云博客

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/143223994

引言

在现代人工智能的开发中，工具调用（或称为函数调用）正在改变我们与AI模型交互的方式。通过定义一个工具调用模式，我们可以使模型输出与用户定义的结构相匹配，从而更加高效地处理复杂的任务。在本文中，我们将探讨工具调用的机制、其实现方式，并提供实用的代码示例。

主要内容

什么是工具调用？

工具调用让模型能够响应给定的提示，生成符合用户自定义模式的输出。尽管工具调用名字暗示模型执行某个动作，但实际上，模型只是生成工具参数，而实际运行工具的责任在用户手中。例如，你可以给模型一个“提取”工具来从非结构化文本中提取输出。

工具调用的结构

一个工具调用包括以下元素：

name：工具的名称。
arguments dict：参数名和参数值的字典。
optional identifier：可选的标识符。

支持工具调用的供应商

多家供应商如Anthropic、Cohere、Google、Mistral和OpenAI都支持工具调用功能。不同供应商对工具模式和工具调用的格式有不同的约定。

使用LangChain定义工具

LangChain提供了一套标准的接口供定义工具、传递给LLM，并表示工具调用。

from langchain_core.tools import tool

@tool
def add(a: int, b: int) -> int:
    """Adds a and b."""
    return a + b

@tool
def multiply(a: int, b: int) -> int:
    """Multiplies a and b."""
    return a * b

tools = [add, multiply]

# 使用API代理服务提高访问稳定性
llm_with_tools = llm.bind_tools(tools)

代码示例

以下是使用工具调用的完整代码示例：

# 使用API代理服务提高访问稳定性
from langchain_core.messages import HumanMessage, ToolMessage

query = "What is 3 * 12? Also, what is 11 + 49?"
messages = [HumanMessage(query)]
ai_msg = llm_with_tools.invoke(messages)
messages.append(ai_msg)
for tool_call in ai_msg.tool_calls:
    selected_tool = {"add": add, "multiply": multiply}[tool_call["name"].lower()]
    tool_output = selected_tool.invoke(tool_call["args"])
    messages.append(ToolMessage(tool_output, tool_call_id=tool_call["id"]))
print(messages)