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

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@tooldefadd(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 """returna+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frompydanticimportBaseModel,FieldclassAddInput(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fromlangchain_core.toolsimporttool@tool(args_schema=AddInput)defadd(a:int,b:int)->int:returna+b

2.模式2:依赖Annotated类

fromlangchain_core.toolsimporttoolfromtyping_extensionsimportAnnotated@tooldefadd(a:Annotated[int,...,"First integer"],b:Annotated[int,...,"Second integer"])->int:"""Add two integers."""returna+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:@classmethoddeffrom_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:fromlangchain_core.toolsimportStructuredTooldefmultiply(a:int,b:int)->int:"""Multiply two numbers."""returna*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fromlangchain_core.toolsimportStructuredToolfrompydanticimportBaseModel,FieldclassCalculatorInput(BaseModel):a:int=Field(description="first number")b:int=Field(description="second number")defmultiply(a:int,b:int)->int:returna*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: 6print(calculator_tool.name)# 输出: Calculator

用法三:classAddInput(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schemadefadd(a:int,b:int)->Tuple[str,List[int]]:nums=[a,b]content=f"{nums}相加的结果是{a+b}"returncontent,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AIMessageprint(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fortool_callinai_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ToolMessageprint(model_with_tools.invoke(message).content)#这才是最终结果