如何为LLM和聊天模型添加即时工具调用能力

注意

一些模型已针对工具调用进行微调，并提供了专门用于工具调用的 API。通常，此类模型在工具调用方面比未经微调的模型表现更好，建议用于需要工具调用的场景。有关更多信息，请参阅如何使用聊天模型调用工具指南。

先决条件

本指南假定您熟悉以下概念

在本指南中，我们将了解如何为聊天模型添加即时工具调用支持。如果您使用的模型不原生支持工具调用，这是一种调用工具的替代方法。

我们将通过简单地编写一个提示来实现此目的，该提示将使模型调用相应的工具。这是该逻辑的图示

chain

设置

我们需要安装以下软件包

%pip install --upgrade --quiet langchain langchain-community

如果您想使用 LangSmith，请取消下方注释

import getpass
import os
# os.environ["LANGSMITH_TRACING"] = "true"
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass()

您可以为本操作指南选择任何给定模型。请记住，其中大多数模型已经支持原生工具调用，因此对于这些模型来说，使用此处所示的提示策略没有意义，您应该改为遵循如何使用聊天模型调用工具指南。

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

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

为了说明这个想法，我们将通过 Ollama 使用 phi3，它不原生支持工具调用。如果您也想使用 Ollama，请遵循这些说明。

from langchain_community.llms import Ollama

model = Ollama(model="phi3")

API 参考:Ollama

创建工具

首先，让我们创建 add 和 multiply 工具。有关创建自定义工具的更多信息，请参阅本指南。

from langchain_core.tools import tool


@tool
def multiply(x: float, y: float) -> float:
    """Multiply two numbers together."""
    return x * y


@tool
def add(x: int, y: int) -> int:
    "Add two numbers."
    return x + y


tools = [multiply, add]

# Let's inspect the tools
for t in tools:
    print("--")
    print(t.name)
    print(t.description)
    print(t.args)

API 参考：tool

--
multiply
Multiply two numbers together.
{'x': {'title': 'X', 'type': 'number'}, 'y': {'title': 'Y', 'type': 'number'}}
--
add
Add two numbers.
{'x': {'title': 'X', 'type': 'integer'}, 'y': {'title': 'Y', 'type': 'integer'}}

multiply.invoke({"x": 4, "y": 5})

20.0

创建我们的提示

我们将编写一个提示，指定模型可以访问的工具、这些工具的参数以及模型所需的输出格式。在本例中，我们将指示它输出一个形式为 {"name": "...", "arguments": {...}} 的 JSON 对象。

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import render_text_description

rendered_tools = render_text_description(tools)
print(rendered_tools)

API 参考:JsonOutputParser | ChatPromptTemplate | render_text_description

multiply(x: float, y: float) -> float - Multiply two numbers together.
add(x: int, y: int) -> int - Add two numbers.

system_prompt = f"""\
You are an assistant that has access to the following set of tools. 
Here are the names and descriptions for each tool:

{rendered_tools}

Given the user input, return the name and input of the tool to use. 
Return your response as a JSON blob with 'name' and 'arguments' keys.

The `arguments` should be a dictionary, with keys corresponding 
to the argument names and the values corresponding to the requested values.
"""

prompt = ChatPromptTemplate.from_messages(
    [("system", system_prompt), ("user", "{input}")]
)

chain = prompt | model
message = chain.invoke({"input": "what's 3 plus 1132"})

# Let's take a look at the output from the model
# if the model is an LLM (not a chat model), the output will be a string.
if isinstance(message, str):
    print(message)
else:  # Otherwise it's a chat model
    print(message.content)

{
    "name": "add",
    "arguments": {
        "x": 3,
        "y": 1132
    }
}

添加输出解析器

我们将使用 JsonOutputParser 将模型的输出解析为 JSON。

from langchain_core.output_parsers import JsonOutputParser

chain = prompt | model | JsonOutputParser()
chain.invoke({"input": "what's thirteen times 4"})

API 参考:JsonOutputParser

{'name': 'multiply', 'arguments': {'x': 13.0, 'y': 4.0}}

重要

🎉 太棒了！ 🎉 我们现在已经指示模型如何请求调用工具了。

现在，让我们编写一些逻辑来实际运行工具！

调用工具 🏃

既然模型可以请求调用工具，我们需要编写一个函数来实际调用工具。

该函数将根据名称选择相应的工具，并将模型选择的参数传递给它。

from typing import Any, Dict, Optional, TypedDict

from langchain_core.runnables import RunnableConfig


class ToolCallRequest(TypedDict):
    """A typed dict that shows the inputs into the invoke_tool function."""

    name: str
    arguments: Dict[str, Any]


def invoke_tool(
    tool_call_request: ToolCallRequest, config: Optional[RunnableConfig] = None
):
    """A function that we can use the perform a tool invocation.

    Args:
        tool_call_request: a dict that contains the keys name and arguments.
            The name must match the name of a tool that exists.
            The arguments are the arguments to that tool.
        config: This is configuration information that LangChain uses that contains
            things like callbacks, metadata, etc.See LCEL documentation about RunnableConfig.

    Returns:
        output from the requested tool
    """
    tool_name_to_tool = {tool.name: tool for tool in tools}
    name = tool_call_request["name"]
    requested_tool = tool_name_to_tool[name]
    return requested_tool.invoke(tool_call_request["arguments"], config=config)

API 参考：RunnableConfig

让我们来测试一下 🧪！

invoke_tool({"name": "multiply", "arguments": {"x": 3, "y": 5}})

15.0

让我们将其整合起来

让我们将其整合到一个链中，创建一个具有加法和乘法功能的计算器。

chain = prompt | model | JsonOutputParser() | invoke_tool
chain.invoke({"input": "what's thirteen times 4.14137281"})

53.83784653

返回工具输入

不仅返回工具输出，还返回工具输入可能会很有帮助。我们可以通过 LCEL 使用 RunnablePassthrough.assign 分配工具输出来轻松实现这一点。这将获取 RunnablePassrthrough 组件的任何输入（假定为字典），并为其添加一个键，同时仍传递输入中当前存在的所有内容。

from langchain_core.runnables import RunnablePassthrough

chain = (
    prompt | model | JsonOutputParser() | RunnablePassthrough.assign(output=invoke_tool)
)
chain.invoke({"input": "what's thirteen times 4.14137281"})

API 参考:RunnablePassthrough

{'name': 'multiply',
 'arguments': {'x': 13, 'y': 4.14137281},
 'output': 53.83784653}

下一步是什么？

本操作指南展示了模型正确输出所有所需的工具信息时的“理想情况”。

实际上，如果您使用更复杂的工具，您将开始遇到模型错误，特别是对于未经工具调用微调的模型以及能力较弱的模型。

您需要准备好添加策略来改进模型的输出；例如：

提供少量示例。
添加错误处理（例如，捕获异常并将其反馈给 LLM，要求它纠正之前的输出）。

设置​

创建工具​

创建我们的提示​

添加输出解析器​

调用工具 🏃​

让我们将其整合起来​

返回工具输入​

下一步是什么？​

设置