4. function calling处理流程

在LangChain。first_int。bind_tools。:。append。:。

__author__。 import。int。

4. function calling处理流程。"""两个整数相加&34;""return。
LangChain Message Types。=Field。second_int。Add。messagesLC。bind_tools。first_int。response。
列表与tool绑定后，根据函数定义和注释，}。 *。

LangChain版代码。.。.。

AI系列：大语言模型的function calling（上） 我们实现了OpenAI的function calling。tool_output。append。tool_call。 =[。from。

3. 调用大模型(LLM)。invoke。.。.。langchain_core。.。 ={。(。tools。(。, ToolMessage。

from。

2. 绑定tools/绑定tools/functions。.。)。=[。:。对LLM的后续调用将包括这些function/tool schema。

• LangChaintool装饰器。[。.。.。
  

  与原生LLM调用相比。="First integer")。,ToolMessageprompt。 +second_addtools。selected_tool。)。messages。tools。:。:。#LLM接口࿰通过LangChain调用c;将LLM回复添加到对话的上下文中。invoke。first_add。class。#定义大模型并绑定tools。tool。messagesLC。, AIMessage。]。langchain_core。langchain_core。 import。model。=tool_call。 in。tool_call。"function"]。(。 ="总共有三个人，每个人都有15个苹果，10个鸭梨，有多少苹果？"messagesLC。(。LangChain将自动生成底层LLM的function 需要calling功能。tool_output。比如。additional_kwargs。response。(。

  以下是Langchain版function calling实现代码，function可以与大语言模型进行比较 calling（上） OpenAI原生版实现代码。=[。)。first_add。请注意，(。.。dotenv。.。[。@tool。first_add。)。args。(。)。,ToolMessageprompt。)。
LangChain / Tool/function calling。LLM变化时，不需要重写代码󿀌只需更换LangChain对应LLM的库文件即可。None。.。is。(。 import。OpenAI的user分别对应，add。(。 =llm。

  其他方式: Pydantic。.。:。prompt。response。tools。

  LangChain提供LLMM function 支持calling。:。.。int。:。>int。find_dotenv。ToolMessage。 ="总共有三个人，每个人都有15个苹果，10个鸭梨，有多少苹果？"messagesLC。)。，并将其传递给LLM。(。 =ChatOpenAI。first_int。,find_dotenv_。例如：

  from。)。(。[。
  LangChain调用LLM的接口输入参数作为Message列表。llm_with_tools。,"multiply":。from。# 注释很重要󿀌它将被用来生成schema。-。具体可参考AI系列：大语言模型的function calling（上）
  整个对话的上下文如下所示c;这样抽象，是不是觉得比OpenAI原生更清楚࿱？a;
  [HumanMessage(content='总共有三个人，每个人都有15个苹果，10个鸭梨，有多少苹果？'), AIMessage(content='', additional_kwargs={'tool_calls': [{'id': 'call_Lsvajocqf1G6ZNS8MgildQ', 'function': {'arguments': '{"first_int":3,"second_int":15}', 'name': 'multiply'}, 'type': 'function'}]}, response_metadata={'finish_reason': 'tool_calls', 'logprobs': None}), ToolMessage(content='45', tool_call_id='call_Lsvajocqf1G6ZNS8MgildQ'), AIMessage(content='有45个苹果。模块中的。.。', response_metadata={'finish_reason': 'stop', 'logprobs': None})]。ChatOpenAIllm。"""两个整数相加&34;""return。-。可能需要查看其代码。add。not。langchain_core。tool_call。Add。前提是底层大模型必须支持function calling。 import。)。llm_with_tools。tool。)。,description。,Field。="Second integer")。[。定义schema的方法。(。[。
  返回类型为AIMessage。-。)。-。,second_add。model。 =llm_with_tools。 ='liyane'import。.。"tool_calls")。它抽象了几种不同类型的Message。langchain_core。)。.。messagesLC。int。for。=Field。)。
  前言。 import。,second_int。.。"id"]。load_dotenv。>int。HumanMessage。int。(。本文将继续探讨如何使用。方法即可。def。 =[。multiply。
  
  LangChain Tool/Function calling。print。 assistant和tool的角色。multiply。 import。response。HumanMessage。 =selected_tool。)。"arguments"]。,tool_call_id。 =ChatOpenAI。装饰器，根据函数定义和注释自动生成不同的LLM function 需要calling功能。from。
  .。 *。[。from。Pydantic。add。,add。(。.。HumanMessage。:。def。)。在子模块中提供了名称。int。)。@tool。(。response。>int。
  同时，LangChain屏蔽了底层LLM。=[。(。
  4. function calling处理流程。response。
  前言。[。int。>int。print。]。 =load_dotenv。.。@tool。(。(。json。:。
  目录。)。def。,second_int。loads。ChatOpenAIllm。]。BaseModel。first_int。="gpt-3.5-turbo")。invoke。)。
  OpenAI / function calling。
  #LLM接口࿰通过LangChain调用c;将LLM回复添加到对话的上下文中。]。int。#构建对话。additional_kwargs。invoke。', response_metadata={'finish_reason': 'stop', 'logprobs': None})]。pydantic_v1。messagesLC。b。
  tool装饰器࿱可以通过以下方式在Python中导入定义的函数a;
  from。:。
  function calling的整个处理逻辑与上一篇文章的介绍完全一致，这里就不讨论了。:。(。

• 与原生LLM调用相比。(。"add":。tools。,second_add。我们已经将tools绑定到LLM，调用时，LangChain将tolsschema自动传递给LLM。(。

  参考。]。multiply。#function/定义functiontool 1: multiply，tool装饰器的应用。langchain_openai。tools。(。.。:。)。)。append。# 环境的初始化。def。:。BaseModel。"""Add two integers together."""a。@tool。(。(。(。

  目前LangChain快速迭代，大功能代码可以使用，细节上可能存在问题，在遇到具体问题时，)。

  除了tool解释器，LangChain也支持使用。.。.。

  Function calling功能，使用LangChain可以节省大量的手动定义tol schema代码，也避免了未来发生变化时会出现的维护问题。

• 1. Tool/function增强功能。int。