如何使用聊天模型调用工具

先决条件

本指南假定您熟悉以下概念

工具调用允许聊天模型通过“调用工具”来响应给定的提示。

请记住，虽然“工具调用”这个名称暗示模型正在直接执行某些操作，但实际情况并非如此！模型仅生成工具的参数，而实际运行（或不运行）工具则取决于用户。

工具调用是一种通用技术，可以从模型生成结构化输出，即使您不打算调用任何工具，也可以使用它。一个示例用例是从非结构化文本中提取信息。

Diagram of calling a tool

如果您想了解如何使用模型生成的工具调用来实际运行工具请查看本指南。

支持的模型

工具调用并非通用，但受到许多流行的 LLM 提供商的支持。您可以在此处找到所有支持工具调用的模型列表。

LangChain 实现了定义工具、将工具传递给 LLM 以及表示工具调用的标准接口。本指南将介绍如何将工具绑定到 LLM，然后调用 LLM 以生成这些参数。

定义工具模式

为了使模型能够调用工具，我们需要传入描述工具功能及其参数的工具模式。支持工具调用功能的聊天模型实现了 `.bind_tools()` 方法，用于将工具模式传递给模型。工具模式可以作为 Python 函数（带有类型提示和文档字符串）、Pydantic 模型、TypedDict 类或 LangChain Tool 对象传入。模型后续的调用将与提示一起传入这些工具模式。

Python 函数

我们的工具模式可以是 Python 函数

# The function name, type hints, and docstring are all part of the tool
# schema that's passed to the model. Defining good, descriptive schemas
# is an extension of prompt engineering and is an important part of
# getting models to perform well.
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

LangChain 工具

LangChain 还实现了一个 `@tool` 装饰器，允许进一步控制工具模式，例如工具名称和参数描述。有关详细信息，请参阅此处的操作指南。

Pydantic 类

您可以使用 Pydantic，无需附带函数即可等效地定义模式。

请注意，除非提供默认值，否则所有字段都是 `required`（必需的）。

from pydantic import BaseModel, Field


class add(BaseModel):
    """Add two integers."""

    a: int = Field(..., description="First integer")
    b: int = Field(..., description="Second integer")


class multiply(BaseModel):
    """Multiply two integers."""

    a: int = Field(..., description="First integer")
    b: int = Field(..., description="Second integer")

TypedDict 类

需要 `langchain-core>=0.2.25`

或者使用 TypedDicts 和注解

from typing_extensions import Annotated, TypedDict

class add(TypedDict):
    """Add two integers."""

    # Annotations must have the type and can optionally include a default value and description (in that order).
    a: Annotated[int, ..., "First integer"]
    b: Annotated[int, ..., "Second integer"]

class multiply(TypedDict):
    """Multiply two integers."""

    a: Annotated[int, ..., "First integer"]
    b: Annotated[int, ..., "Second integer"]

tools = [add, multiply]

要将这些模式实际绑定到聊天模型，我们将使用 `.bind_tools()` 方法。这会处理将 `add` 和 `multiply` 模式转换为模型所需的正确格式。每次调用模型时，都会传入工具模式。

选择聊天模型

pip install -qU "langchain[google-genai]"

import getpass
import os

if not os.environ.get("GOOGLE_API_KEY"):
  os.environ["GOOGLE_API_KEY"] = getpass.getpass("Enter API key for Google Gemini: ")

from langchain.chat_models import init_chat_model

llm = init_chat_model("gemini-2.0-flash", model_provider="google_genai")

llm_with_tools = llm.bind_tools(tools)

query = "What is 3 * 12?"

llm_with_tools.invoke(query)

AIMessage(content='', additional_kwargs={'tool_calls': [{'id': 'call_iXj4DiW1p7WLjTAQMRO0jxMs', 'function': {'arguments': '{"a":3,"b":12}', 'name': 'multiply'}, 'type': 'function'}], 'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 17, 'prompt_tokens': 80, 'total_tokens': 97}, 'model_name': 'gpt-4o-mini-2024-07-18', 'system_fingerprint': 'fp_483d39d857', 'finish_reason': 'tool_calls', 'logprobs': None}, id='run-0b620986-3f62-4df7-9ba3-4595089f9ad4-0', tool_calls=[{'name': 'multiply', 'args': {'a': 3, 'b': 12}, 'id': 'call_iXj4DiW1p7WLjTAQMRO0jxMs', 'type': 'tool_call'}], usage_metadata={'input_tokens': 80, 'output_tokens': 17, 'total_tokens': 97})

正如我们所见，我们的 LLM 为工具生成了参数！您可以查阅 bind_tools() 的文档，了解如何自定义 LLM 选择工具的所有方式，以及这篇关于如何强制 LLM 调用工具而不是让其自行决定的指南。

工具调用

如果 LLM 响应中包含工具调用，它们会作为工具调用对象列表，附加到相应的消息或消息块的 `.tool_calls` 属性中。

请注意，聊天模型可以同时调用多个工具。

一个 `ToolCall` 是一个类型化的字典，包含工具名称、参数值字典以及（可选的）标识符。没有工具调用的消息，此属性默认为空列表。

query = "What is 3 * 12? Also, what is 11 + 49?"

llm_with_tools.invoke(query).tool_calls

[{'name': 'multiply',
  'args': {'a': 3, 'b': 12},
  'id': 'call_1fyhJAbJHuKQe6n0PacubGsL',
  'type': 'tool_call'},
 {'name': 'add',
  'args': {'a': 11, 'b': 49},
  'id': 'call_fc2jVkKzwuPWyU7kS9qn1hyG',
  'type': 'tool_call'}]

`.tool_calls` 属性应包含有效的工具调用。请注意，有时模型提供商可能会输出格式错误的工具调用（例如，参数不是有效的 JSON）。当这些情况下的解析失败时，InvalidToolCall 实例会填充到 `.invalid_tool_calls` 属性中。一个 `InvalidToolCall` 可以包含名称、字符串参数、标识符和错误消息。

解析

如果需要，输出解析器可以进一步处理输出。例如，我们可以使用 PydanticToolsParser 将 `.tool_calls` 上已填充的现有值转换为 Pydantic 对象

from langchain_core.output_parsers import PydanticToolsParser
from pydantic import BaseModel, Field


class add(BaseModel):
    """Add two integers."""

    a: int = Field(..., description="First integer")
    b: int = Field(..., description="Second integer")


class multiply(BaseModel):
    """Multiply two integers."""

    a: int = Field(..., description="First integer")
    b: int = Field(..., description="Second integer")


chain = llm_with_tools | PydanticToolsParser(tools=[add, multiply])
chain.invoke(query)

API 参考:PydanticToolsParser

[multiply(a=3, b=12), add(a=11, b=49)]

下一步

现在，您已了解如何将工具模式绑定到聊天模型并让模型调用工具。

接下来，请查看本指南，了解如何通过调用函数并将结果传回模型来实际使用工具

将工具结果传回模型

你还可以查看工具调用的其他一些特定用法

定义工具模式​

Python 函数​

LangChain 工具​

Pydantic 类​

TypedDict 类​

工具调用​

解析​

下一步​