# 提升LLM的智能：如何使用工具调用功能
## 引言
在许多高级使用场景中，我们希望聊天模型不仅仅处理文本，还能够调用外部工具来执行特定任务。这就是“工具调用”所能带来的强大功能。这篇文章将向您展示如何设置和使用工具调用，从而使大语言模型（LLM）生成结构化输出。
## 主要内容
### 什么是工具调用？
工具调用是一种技术，它允许模型响应特定提示生成工具参数，而实际执行工具的过程由用户控制。这种方法可以用来从非结构化文本中提取信息等。
### 支持的模型
大多数流行的LLM提供商都支持工具调用。LangChain为定义工具、将它们传递给LLM以及表示工具调用实现了标准接口。
### 定义工具模式
#### Python函数
我们可以使用Python函数定义工具模式。这包括函数名称、类型提示及文档字符串。
```python
def add(a: int, b: int) -> int:
"""Add two integers."""
return a + b
def multiply(a: int, b: int) -> int:
"""Multiply two integers."""
return a * b
Pydantic类
工具模式也可以使用Pydantic类来定义。
from pydantic import BaseModel, Field
class Add(BaseModel):
a: int = Field(..., description="First integer")
b: int = Field(..., description="Second integer")
绑定工具到模型
使用.bind_tools()方法将工具模式绑定到聊天模型。
from langchain_openai import ChatOpenAI
# 设置API密钥
import os
os.environ["OPENAI_API_KEY"] = "your_api_key"
llm = ChatOpenAI(model="gpt-4o-mini")
llm_with_tools = llm.bind_tools([add, multiply])
调用工具
一旦工具绑定完成，模型就可以生成工具调用参数。
query = "What is 3 * 12?"
response = llm_with_tools.invoke(query)
print(response.tool_calls)
代码示例
以下是一个完整的代码示例，展示了如何通过LangChain绑定工具并调用工具。
# 使用API代理服务提高访问稳定性
from langchain_openai import ChatOpenAI
os.environ["OPENAI_API_KEY"] = "your_api_key"
llm = ChatOpenAI(model="gpt-4o-mini")
llm_with_tools = llm.bind_tools([add, multiply])
query = "What is 3 * 12?"
response = llm_with_tools.invoke(query).tool_calls
print(response)
常见问题和解决方案
JSON解析错误
当工具调用输出不符合JSON格式时，可能会出现解析错误。这时，可以使用InvalidToolCall来处理错误。
网络限制
在某些地区，您可能需要使用API代理服务以提高访问稳定性。
总结和进一步学习资源
通过这篇文章，你学会了如何设置和使用工具调用功能。下一步，你可以探索如何传递工具结果回模型或实现更高级的工具调用功能。
进一步学习资源
参考资料
- LangChain 官方文档
- Pydantic 官方文档
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！
---END---
