背景

經過前面三篇的內容，我想大家對于大模型的構建、Langchain的優勢、Chain的構建有了相當程度的理解（雖然只是最簡單的示例，但是足夠有代表性）。

后續Chain的使用將會更加豐富多彩，您會了解Langchain開發的大模型會有多么逆天的可擴展性。但今天我們先暫緩此部分，我們來講講Langchain里面最最最重要的功能：工具調用！

我們會先從Langchain規定的官方API開始構建，帶著大家跑通一系列工具之后，從底層原理出發，為大家講解大模型是怎么調用工具的（不必擔心，非常淺顯易懂，本欄目始終是新手向的）。

工具說明

在Langchain眼中，所謂的工具都只是函數而已，我們要做的就是把函數寫好，并交給大模型去自主的調用。

Langchain給大模型調用的函數專門設定了一個函數裝飾器： @tool

有關于函數裝飾器，作為新手其實沒必要理解太深刻，只需要理解裝飾器給函數添加了一些功能和變量即可。而這個tool裝飾器僅僅是給函數增加了幾個變量而已，如下：

• 工具名稱：(tool.name)
• 該工具是什么的描述(tool.description)
• 輸入內容的 JSON 格式 (tool.args)
• 工具的結果是否應直接返回給用戶(tool.return_direct)

@tool
def func(input:int):'''沒用的函數'''return input print(func.name)
# 輸出：funcprint(func.description)
# 輸出：沒用的函數print(func.args)
# 輸出: {'input': {'title': 'Input', 'type': 'int'}}print(func.return_direct)
# 輸出：false

在這個裝飾器中最主要的必須知曉的就是tool.name和tool.?description。這個是后續工具調用的基礎。

• tool.name

若無特殊設定，默認為函數名。作為新手向，該變量就不要去有額外的操作。只需要知道 tool.name == 函數名 即可。（操作更多也不會有額外的效果，還增加理解難度）

• tool.description

若無特殊設定，默認為函數的文檔字符串（即函數下方的函數說明），有關文檔字符串的內容可以參考下面的博客，簡單清晰。該部分作為小白直接利用該部分特性即可。有更高要求的看客可以查閱有關BaseTool類的相關知識。

Python 文檔字符串(DocStrings)是個啥？？-CSDN博客

大模型的工具調用（直接使用API）

在之前的項目中我們編寫了有關基礎大模型的相關內容，開發了第一個問答大模型以及嘗試了LLMchain的相關內容，我們將在此基礎上繼續往前！

LangChain（二）基礎問答大模型，純新手向-CSDN博客

LangChain（三）基礎問答大模型，從LLMchain開始了解chain！純新手向-CSDN博客

其實不看也可以啦，看了理解起來會更快而已……

step1：工具定義！

該部分我們先定義需要的工具，代碼如下。@tool裝飾器說明這是一個工具。工具名稱為“multiply”，工具描述為“Multiply two integers together.”。

from langchain_core.tools import tool@tool
def multiply(first_int: int, second_int: int) -> int:"""Multiply two integers together."""return first_int * second_int

?這部分沒啥難度，其實就是你自己設定一個函數，然后前面加上@tool，函數內部首行用""" """ 定義一下函數功能描述即可。

step2：大模型定義

該部分我們定義大模型，詳細內容可以參考我之前的博客內容哦。使用百度的千帆大模型

import os
from langchain_community.chat_models import QianfanChatEndpoint# 設定百度千帆大模型的AK和SK-去百度千帆官網的控制臺新建一個應用即可
os.environ["QIANFAN_AK"] = "your AK“"
os.environ["QIANFAN_SK"] = "your SK"#創建千帆LLM模型
qianfan_chat = QianfanChatEndpoint(model="ERNIE-3.5-8K",temperature=0.2,timeout=30,
)

這部分依舊沒啥難度，按部就班走即可。?

?step3：工具設定與綁定！

該部分我們進行工具的設定和與大模型進行綁定！

tools = [multiply]
llm_with_tools = qianfan_chat.bind_tools(tools)
tool_map = {tool.name: tool for tool in tools}

該部分必須要好好解釋一下。不然大家初看之下可能會一頭霧水。

tools = [multiply]

????????由于在實際開發過程中，不可能只有一個工具，我們常常會調用多個工具，那么和大模型進行綁定難道要每個工具函數都綁定一次嗎？咋可能對不對。這部分就是把所有需要調用的函數打造成一個列表，列表內保存的是各個函數（不是函數名！函數名是string，函數就是函數，本質上是個對象，這里理解不了跳過即可，我還記得這是個新手向的博客~~~）。

llm_with_tools = qianfan_chat.bind_tools(tools)

? ? ? ? 這一行是把大模型和工具進行一個綁定，構建一個工具選擇模塊（一個 agent）。大模型就是通過該模塊進行的工具選擇，具體的原理在下一篇博客會詳細講解，此部分我們先暫緩跳過~。

tool_map = {tool.name: tool for tool in tools}

? ? ? ? 這一行是把函數名稱（string）和函數（對象）作為一個字典保存。

????????key：函數名稱，value：函數

? ? ? ? 這個變量大家先留意一下，現在可能看不出用途，后面就有用了。

step4：實際運行！

接下來我們把后面的代碼一次性和盤托出！?

def call_tools(msg: AIMessage) -> Runnable:"""Simple sequential tool calling helper."""tool_calls = msg.tool_calls.copy()for tool_call in tool_calls:tool_call["output"] = tool_map[tool_call["name"]].invoke(tool_call["args"])return tool_callschain = llm_with_tools | call_toolschain.invoke("What's 25 times 11？"
)

I know，I know，突然信息量就上來了對不對。沒事，我們一個一個來！ 我們先跳過call_tools的函數定義，我們先看下面：

• chain = llm_with_tools | call_tools

????????對于chain還不理解的同學可以先看我之前的博客，鏈接在上面！看了我之前博客的同學想必依舊有疑惑，我們只是使用過LLMchain，怎么就變成這樣了？

????????實際上Langchain確實有很多已經定義好的chain，只需要調用即可，但是在實際開發中，最實用的依舊是自己定義的chain，個性化的定義才能滿足個性化的需求嘛。

????????Langchain官方自然有可以讓我們自己個性化定義chain的方式。該處就是一個典型。

????????該處的chain是如何工作的呢？作為小白我們不需要去理解源碼。從高維去俯瞰它。步驟如下：

• 用戶輸入給到?llm_with_tools（該部分有大模型）
• llm_with_tools?獲取用戶輸入和函數名稱與描述，大模型進行處理并返回需要的函數名和對應的輸入變量，記為“AIMessage”（這就是上面call_tools的參數哦~）。
• call_tools獲取上一個步驟輸出的參數，并幫助大模型調用對應的函數，并返回結果。

llm_with_tools 的實際輸出！

我們運行下面的代碼：

query = "25 * 11 = ?"messages = [HumanMessage(query)]print("messages1 = ", messages)ai_msg = llm_with_tools.invoke(messages)print("ai_msg = ", ai_msg)

可得輸出如下（手動標準格式了下）：

messages1 =  [HumanMessage(content='25 * 11 = ?')]
ai_msg =  
content='' 
additional_kwargs={'finish_reason': 'function_call', 'request_id': 'as-y3xqr3j5b5', 'object': 'chat.completion', 'search_info': [], 'function_call': {'name': 'Multiply', 'arguments': '{"a":25,"b":11}'}, 'tool_calls': [{'type': 'function', 'function': {'name': 'Multiply', 'arguments': '{"a":25,"b":11}'}, 'id': '07eeb8f7-56b0-42f0-b828-4c7d4b17c850'}]} 
response_metadata={'token_usage': {'prompt_tokens': 51, 'completion_tokens': 24, 'total_tokens': 75},  'model_name': 'ERNIE-3.5-8K', 'finish_reason': 'function_call', 'id': 'as-y3xqr3j5b5', 'object': 'chat.completion', 'created': 1720421110, 'result': '', 'is_truncated': False, 'need_clear_history': False, 'function_call': {'name': 'Multiply', 'thoughts': '用戶需要進行乘法運算，我可以使用工具Multiply來完成這個任務。', 'arguments': '{"a":25,"b":11}'}, 'usage': {'prompt_tokens': 51, 'completion_tokens': 24, 'total_tokens': 75}}     
id='run-082b9676-4902-4bf6-af1b-545f4a095001-0' 
tool_calls=[{'name': 'Multiply', 'args': {'a': 25, 'b': 11}, 'id': '07eeb8f7-56b0-42f0-b828-4c7d4b17c850'}]

大家先別慌！別著急！重點其實很少~。聽我細細說來。

第一行的 messages1中的HumanMessage，僅僅只是告訴大模型這是用戶發出的信息而已，至少在現在這個階段不是重點，不用管他！

最主要的是下面的ai_msg，有三個重要模塊

• “additional_kwargs”：額外信息，對新手沒啥用
• “response_metadata”：正式的響應信息，一堆沒啥用的信息之外，thoughts該字段反映了大模型是如何思考的。并且格式化返回了需要調用的相關函數名稱（string）和函數的參數。
• “tool_calls”：最重要的信息，單獨提出來單純只是降低層級而已，你可以看到上面幾個字段都有一樣的信息。

總而言之，在本篇工具調用欄目看來，最重要的就是tool_calls字段，其他直接忽略。函數選擇器的詳細原理將會放置下一篇博客詳細講解，本文僅說Langchain的API調用的步驟和思路。畢竟是新手向嘛~

綜上 函數選擇器 的功能輸出正式講解完畢，其實大家只需要知道函數選擇器就是用來選擇函數的，最重要的功能就是輸出的tool_calls字段，其中保存大模型想要調用的函數名稱（string）和對應的參數。

call_tools函數的原理和操作！

以防大家往上翻太煩，再粘貼一次。這個函數的主要作用就是獲取AI想要調用的工具，并幫AI調用該工具。

def call_tools(msg: AIMessage) -> Runnable:"""Simple sequential tool calling helper."""tool_calls = msg.tool_calls.copy()for tool_call in tool_calls:tool_call["output"] = tool_map[tool_call["name"]].invoke(tool_call["args"])return tool_calls

該部分的輸入參數就是上一步函數選擇器的輸出：AImessage（不知道大家有沒有注意到，這和HumanMessage正好是對應關系，其實就是一個是用戶的信息，一個是AI的信息而已，僅僅是對信息做一個標識，其實沒啥用）?

后面的 --> Runnable 請忽略，新手直接跳過即可，想了解可以自行了解。?接下來讓我們分行說明！

• tool_calls = msg.tool_calls.copy()

????????養成好習慣，直接copy，解耦互不影響，尤其在流式場景下。

• for tool_call in tool_calls

? ? ? ? 因為AI可能需要調用多個函數，所以對每一個AI想要調用的函數都需要處理。我不知道為什么我要解釋這個……

• tool_call["output"] = tool_map[tool_call["name"]].invoke(tool_call["args"])

????????最重要的是這一行，不知道大家還記不記得?tool_map?這個變量，在上文提過，截圖如下。這一行我們慢慢來，對于當前需要調用的tool_call，有一個字段“name”保存著需要調用函數的函數名稱。用tool_map訪問該名稱，返回該函數名稱（string）對應的函數（對象）！這下大家終于理解為什么我需要強調這多次了吧~。即：

• tool_map[tool_call["name"]] == multiply
• tool_call["args"]?==?{'a': 25, 'b': 11}

這一行 == multiply.invoke({'a': 25, 'b': 11}) ==?multiply('a': 25, 'b': 11) == 275，此時tool_call多了一個字段“output”，value = 275

到此就結束了，我們終于實現了大模型調用工具的基礎操作。大家安心，上面代碼好像很多，好像很復雜，我們最后復習一下，看一下全部的代碼，你會發現沒什么難的其實。

import os
from langchain_community.chat_models import QianfanChatEndpoint
from langchain_core.tools import tool
from langchain_core.messages import AIMessage
from langchain_core.runnables import Runnable# 設定百度千帆大模型的AK和SK
os.environ["QIANFAN_AK"] = " your AK"
os.environ["QIANFAN_SK"] = " your SK"# 定義千帆大模型
qianfan_chat = QianfanChatEndpoint(model="ERNIE-3.5-8K",temperature=0.2,timeout=30,
)# 設定兩個函數，記得描述函數功能，這很重要
@tool
def func1():''' useless function '''return 0@tool
def Multiply(a: int, b: int) -> int:"""Multiplies a and b."""return a * b# 工具集合
tools = [Multiply, func1]
# 工具與大模型綁定，構建函數選擇模塊
llm_with_tools = qianfan_chat.bind_tools(tools)
# 構建一一對應的map
tool_map = {tool.name: tool for tool in tools}# 工具函數執行
def call_tools(msg: AIMessage) -> Runnable:"""Simple sequential tool calling helper."""tool_calls = msg.tool_calls.copy()for tool_call in tool_calls:tool_call["output"] = tool_map[tool_call["name"]].invoke(tool_call["args"])return tool_calls# 構建鏈
chain = llm_with_tools | call_toolsprint(chain.invoke("What's 25 times 11？")[0]["output"])

?輸出：275

總結

有一說一，工具調用會了，世界上還有什么功能實現不了？

但是本篇博客是從API的角度出發為大家構建一個工具調用的操作，下一篇博客我們將從原理出發，直接手擼工具調用！放寬心，依舊是新手向~

由于小博主依舊是個卑微的打工人，只能上班摸魚的時候寫寫博客，后續的博客將保持一周一篇的頻率~ 敬請期待~