[掌握工具调用：如何使用聊天模型优化工具执行]

用户838128610330
85 阅读3分钟 
# 掌握工具调用：如何使用聊天模型优化工具执行

## 引言

在人工智能日益发展的今天，如何让模型不仅仅回答问题，还能直接提供执行步骤显得尤为重要。这篇文章将深入探讨如何通过聊天模型进行工具调用，这是一种将生成的模型输出结构化并传递给实际工具的方法。无论您是初次接触AI开发的初学者，还是希望在现有项目中集成AI的资深开发者，这篇文章都能为您提供实用的指导。

## 主要内容

### 1. 理解工具调用

工具调用允许聊天模型响应给定的提示，通过生成结构化的输出来“调用工具”。需要明确的是，工具调用本质上并不是模型直接执行某些操作，而是生成操作工具的参数，由用户决定是否运行工具。

### 2. 定义工具模式

要使模型能够调用工具，我们需要传递工具模式，它描述工具的功能及参数。工具模式可以通过Python函数、Pydantic模型、TypedDict类等方式定义。以下是使用Python函数定义的例子：

```python
# 定义工具模式作为Python函数
def add(a: int, b: int) -> int:
    """Add two integers.

    Args:
        a: First integer
        b: Second integer
    """
    return a + b

def multiply(a: int, b: int) -> int:
    """Multiply two integers.

    Args:
        a: First integer
        b: Second integer
    """
    return a * b

3. 绑定工具到模型

通过使用bind_tools()，我们可以将定义的工具模式绑定到聊天模型上：

from langchain_openai import ChatOpenAI

# 使用API代理服务提高访问稳定性
llm = ChatOpenAI(model="gpt-4o-mini")
llm_with_tools = llm.bind_tools([add, multiply])

4. 调用工具并解析输出

工具调用将在模型响应中包含，它们可以作为工具调用对象的列表附加到消息上。以下是调用工具的示例：

query = "What is 3 * 12?"
response = llm_with_tools.invoke(query)
print(response.tool_calls)

代码示例

以下代码展示了如何使用ChatOpenAI模型进行工具调用，并输出模型生成的调用参数：

from langchain_openai import ChatOpenAI

# 定义工具
def multiply(a: int, b: int) -> int:
    """Multiply two integers."""
    return a * b

# 绑定工具
llm = ChatOpenAI(model="gpt-4o-mini")  # 使用API代理服务提高访问稳定性
llm_with_tools = llm.bind_tools([multiply])

# 执行查询
query = "What is 3 * 12?"
response = llm_with_tools.invoke(query)

# 输出工具调用结果
print(response.tool_calls)

常见问题和解决方案

  • 模型输出无效工具调用：有时，模型可能输出格式错误的工具调用。在这种情况下，可以使用InvalidToolCall进行处理和记录。
  • API访问限制：在某些地区，由于网络限制，建议使用API代理服务以提高访问的稳定性。

总结和进一步学习资源

通过这篇文章，您已掌握了如何使用聊天模型进行工具调用，为项目增添灵活的功能扩展。在进一步学习中，您可以探索以下资源：

参考资料

  1. LangChain官方文档
  2. Pydantic使用指南
  3. 各大LLM提供商API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---
avatar
文章
阅读
粉丝