LangChain 聊天模型中工具的调用详解----《Hello LangChain LangGraph!》(3)

文章目录

• LangChain 聊天模型中工具的调用详解
• • 聊天模型中工具的调用
  • • 创建工具
    • 绑定工具
    • 工具的调用

LangChain 聊天模型中工具的调用详解

聊天模型中工具的调用

调用工具的一般步骤:

定义工具(创建工具)->绑定工具->调用工具

LangChain提供的现成的工具和工具包:(工具一般都不需要自己手搓)

LangChain Python integrations – Docs by LangChain可以在这里面获取

创建工具

1.在 LangChain 中，实现了一个 @tool 装饰器来创建工具，@tool 装饰器是自定义工具的最简单方法。

# 定义工具
@tool
def add(a: int, b: int) –> int: # 函数定义
"""两数相加

Args:
a: 第一个整数
b: 第二个整数
"""
return a + b # 函数体

一共就是4个部分:

@tool 装饰器：把普通函数标记为「LangChain 工具」

函数定义：工具的名称、参数、返回值

文档字符串（Docstring）：给模型看的「工具说明书」

函数体：工具的底层执行逻辑

–LangChain 用 @tool 装饰器时，会自动根据你的函数生成 Schema(工具名默认用函数名；工具描述默认用函数的文档字符串)

–若是简单定义工具，如上述示例，工具 schema 需要解析 Google 风格的文档字符串去获取参数描述

除了上面这种方式，还有其他方式可以让工具 schema，获取相关工具声明需要的内容:

1.模式1:依赖Pydantic类

# pydantic 数据验证
from pydantic import BaseModel, Field
class AddInput(BaseModel):
"""Add two integers."""

a: int = Field(..., description="First integer")
b: int = Field(..., description="Second integer")
# 除非提供默认值，不然这里所有的字段在调用工具时都是必填的

# 定义工具
from langchain_core.tools import tool
@tool(args_schema=AddInput)
def add(a: int, b: int) –> int:
return a + b

2.模式2:依赖Annotated类

from langchain_core.tools import tool
from typing_extensions import Annotated

@tool
def add(
a: Annotated[int, ..., "First integer"],
b: Annotated[int, ..., "Second integer"]
) –> int:
"""Add two integers."""
return a + b

2.使用StructuredTool类提供的函数创建工具:

这个类其中的from_function类方法通过给定的函数来创建并返回一个工具

from_function类方法的定义:

@classmethod
def from_function(
# 1. 同步函数：工具的核心执行逻辑（比如加法、查询天气）
func: Callable | None = None,
# 2. 异步协程函数：如果工具是异步执行的，传这个参数
coroutine: Callable[[...], Awaitable[Any]] | None = None,
# 3. 工具名称：AI 调用工具时用的名字，默认取函数名
name: str | None = None,
# 4. 工具描述：给 AI 看的说明书，AI 靠它判断是否调用该工具
description: str | None = None,
# 5. 是否直接返回结果：True=工具结果直接给用户，不经过AI整理；False=AI会二次加工回答
return_direct: bool = False,
# 6. 参数校验模板：Pydantic 的 BaseModel，定义工具必填/选填参数、类型
args_schema: type[BaseModel] | dict[str, Any] | None = None,
# 7. 是否自动推断参数Schema：自动从函数注解、文档字符串生成参数规则
infer_schema: bool = True,
# 强制关键字参数分隔符：后面的参数必须用 key=value 的形式传参
*,
# 8. 响应格式：content=只返回纯文本给AI；content_and_artifact=返回文本+原始数据（你刚学的）
response_format: Literal['content', 'content_and_artifact'] = 'content',
# 9. 是否自动解析文档字符串：自动从函数 """注释""" 提取描述、参数说明
parse_docstring: bool = False,
# 10. 文档字符串不合法时是否报错：开启后，注释格式错了直接抛错
error_on_invalid_docstring: bool = False,
# 11. 额外参数：接收所有未定义的关键字参数
**kwargs: Any,
# 方法返回值：一个标准的 LangChain 结构化工具（StructuredTool）对象
) –> StructuredTool:

其的官方文档介绍:from_function | langchain_core | LangChain Reference

用法介绍:

用法一:

from langchain_core.tools import StructuredTool

def multiply(a: int, b: int) –> int:
"""Multiply two numbers."""
return a * b

calculator_tool = StructuredTool.from_function(func=multiply)
print(calculator_tool.invoke({"a": 2, "b": 3})) # 输出: 6

用法二:
使用 args_schema 参数，依赖 Pydantic 类定义并提供工具输入参数的 schema 属性
使用 description 参数，替代文档字符串中对于工具描述的 schema 属性
from langchain_core.tools import StructuredTool
from pydantic import BaseModel, Field

class CalculatorInput(BaseModel):
a: int = Field(description="first number")
b: int = Field(description="second number")

def multiply(a: int, b: int) –> int:
return a * b

calculator_tool = StructuredTool.from_function(
func=multiply,
name="Calculator",
description="两数相乘",
args_schema=CalculatorInput,
)

print(calculator_tool.invoke({"a": 2, "b": 3})) # 输出: 6
print(calculator_tool.name) # 输出: Calculator

用法三:
class AddInput(BaseModel):
a:int = Field(description="第一个整数")
b:int = Field(description="第二个整数")
#a:int和b:int是类型注解，被当作"类型提示"传递给工具schema

def add(a: int, b: int) –> Tuple[str, List[int]]:
nums = [a, b]
content = f"{nums}相加的结果是{a + b}"
return content, nums

add_tool = StructuredTool.from_function(
func=add,
name="ADD", # 工具名
description="两数相加", # 工具描述
args_schema=AddInput, # 工具参数
response_format="content_and_artifact"
)

# 模拟大模型调用姿势 –这样才能返回看到大模型分析的过程和结果
print(add_tool.invoke(
{
"name": "ADD",
"args": {"a": 3, "b": 4},
"type": "tool_call", # 必填
"id": "111", # 必填, 用来将工具调用请求和结果关联起来。
}
))
# 手动调用
# print(add_tool.invoke({"a": 2, "b": 5}))

绑定工具

使用聊天模型里面的.bind_tools()方法

–这里只介绍常见参数和用法，至于详细的参数介绍，可以去官方文档了解

假如已经定义好了两个工具:add和multiply
# 收集工具
tools = [add, multiply]
# 强制绑定工具
model_with_tools = model.bind_tools(tools=tools) # 会返回一个Runnable实例

工具的调用

普通调用:

result = model_with_tools.invoke("9乘6等于多少?") #返回的是AIMessage
print(result)

但是模型hi根据输入的相关性据欸的那个何时使用工具，如果给定的是一个不相关输入的话，模型都不会去调用这个工具

强制模型调用工具:

model_with_tools = model.bind_tools(tools, tool_choice="any") # 要求模型至少调用其中的一个工具
result = model_with_tools.invoke("hello world!")
print(result)

如果调用了工具的话，result将具有一个tool_calls属性，这个属性里面包括了执行这跟工具所需的一切(比如工具名称和输入参数)

result.content是给大模型看的文本结果

result.artifact是给后续组件用的原始数据

如果只像上面那样调用的话，只会看到模型要求调用工具的指令(也就是第一次AIMessage)，此时并没有得到最终结果

后续应该本地代码接管这个流程然后调用工具，把结果构造成一个ToolMessage发送给模型,然后模型总结(此时模型收到了前面的完整的对话:HumanMessage[用户询问]、AIMessage(模型请求调用工具)、ToolMessage(工具返回的结果))并输出最终答案(AIMessage的形式传回本地)

完整的工具调用应该是:
# 定义消息列表，添加要传递给聊天模型的消息
message = [
HumanMessage("2乘3等于多少？6加6等于多少？")
]
ai_msg = model_with_tools.invoke(message)
message.append(ai_msg) # 把AIMessage追加到message后面

# 构造ToolMessage, 并添加到消息列表中去
for tool_call in ai_msg.tool_calls:
selected_tool = {"add": add, "multiply": multiply}[tool_call["name"].lower()]# 创建字典+从字典中选择
tool_msg = selected_tool.invoke(tool_call)
message.append(tool_msg) # 追加ToolMessage
print(model_with_tools.invoke(message).content) #这才是最终结果