AI系列：大语言模型的function calling（下）- 使用LangChain

目录

• 前言
• [LangChain Tool/Function calling](#LangChain Tool/Function calling)
• • [1. Tool/function加强功能](#1. Tool/function加强功能)
  • • LangChain的tool装饰器
    • [其他方式: Pydantic](#其他方式: Pydantic)
  • [2. 绑定tools/functions](#2. 绑定tools/functions)
  • [3. 调用大模型(LLM)](#3. 调用大模型(LLM))
  • [4. function calling处理流程](#4. function calling处理流程)
• LangChain版代码
• 与原生LLM调用的比较
• 参考

前言

在AI系列：大语言模型的function calling（上） 中我们实现了OpenAI原生的function calling。这篇文章将继续探讨如何使用LangChain实现大语言模型（LLM）的function calling。

LangChain Tool/Function calling

LangChain提供了对LLM function calling的支持。前提是底层大模型必须支持function calling。

1. Tool/function加强功能

LangChain的tool装饰器

LangChain在langchain_core模块中的tools子模块中提供了名为tool的装饰器，将根据函数定义和注释自动生成不同LLM function calling功能需要的schema，然后传递给LLM。后续对于LLM的调用将包括这些function/tool schema。

在Python中可以通过下面这种方式为自己定义的函数导入tool装饰器：

from langchain_core.tools import tool
@tool
def multiply(first_int: int, second_int: int) -> int:
    """两个整数相乘"""
    return first_int * second_int

@tool
def add(first_add: int, second_add: int) -> int:
    """两个整数相加"""
    return first_add + second_add

tools=[multiply, add]

其他方式: Pydantic

除了tool解释器，LangChain还支持用Pydantic来定义schema的方式。比如：

from langchain_core.pydantic_v1 import BaseModel, Field

# 注释很重要，会被用来生成schema。
class Add(BaseModel):
    """Add two integers together."""

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

tools=[Add]

2. 绑定tools/functions

绑定tool组成的列表后，LangChain将根据函数定义和注释自动生成底层LLM的function calling功能需要的schema，并传递给LLM。以OpenAI为例，

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo")
llm_with_tools = llm.bind_tools(tools)

3. 调用大模型(LLM)

LangChain调用LLM的接口输入参数为Message的列表。它抽象了几个不同的Message类型。以OpenAI为例，它们分别对应OpenAI的不同role属性的对话项。比如HumanMessage, AIMessage, ToolMessage分别对应OpenAI的user, assistant和tool的角色。

from langchain_core.messages import HumanMessage, ToolMessage
prompt = "一共有3个人，每个人有15个苹果，10个鸭梨，一共有多少苹果？"

messagesLC = [
    HumanMessage(prompt)
]

调用的方法也比较直接，直接调用invoke方法即可。注意我们已经将tools绑定在LLM中，调用时，LangChain将自动将tools的schema传递给LLM。

#通过LangChain调用LLM接口，将LLM回复加入对话上下文
response = llm_with_tools.invoke(messagesLC) 
messagesLC.append(response)

返回类型为AIMessage。

4. function calling处理流程

function calling整个处理的逻辑与上篇中的介绍完全一致，这里就不累述了。具体可以参考AI系列：大语言模型的function calling（上）

整个对话上下文如下，抽象成这样，是不是感觉比OpenAI原生的更清楚一点：

[
HumanMessage(content='一共有3个人，每个人有15个苹果，10个鸭梨，一共有多少苹果？'), 
AIMessage(content='', additional_kwargs={'tool_calls': [{'id': 'call_LsvajoCqf1G6ZNNS8M1gildQ', '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_LsvajoCqf1G6ZNNS8M1gildQ'), 
AIMessage(content='一共有45个苹果。', response_metadata={'finish_reason': 'stop', 'logprobs': None})
]

LangChain版代码

以下是LangChain版function calling的实现代码，可以对比大语言模型的function calling（上） OpenAI原生版的实现代码。

__author__ = 'liyane'

import json

# 初始化环境
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

#定义function/tool 1: multiply，应用tool装饰器
from langchain_core.tools import tool
@tool
def multiply(first_int: int, second_int: int) -> int:
    """两个整数相乘"""
    return first_int * second_int

#定义function/tool 2: add，应用tool装饰器
@tool
def add(first_add: int, second_add: int) -> int:
    """两个整数相加"""
    return first_add + second_add
tools=[multiply, add]

#定义大模型并绑定tools
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo")
llm_with_tools = llm.bind_tools(tools)

#构建对话
from langchain_core.messages import HumanMessage, ToolMessage
prompt = "一共有3个人，每个人有15个苹果，10个鸭梨，一共有多少苹果？"

messagesLC = [
    HumanMessage(prompt)
]

#通过LangChain调用LLM接口，将LLM回复加入对话上下文
response = llm_with_tools.invoke(messagesLC) 
messagesLC.append(response)

#如果LLM需要function calling，调用相应的函数，并将函数结果数据加入对话上下文，继续调用LLM。
while (response.additional_kwargs.get("tool_calls") is not None):
    for tool_call in response.additional_kwargs["tool_calls"]:
        selected_tool = {"add": add, "multiply": multiply}[tool_call["function"]["name"]]
        args = json.loads(tool_call["function"]["arguments"])
        tool_output = selected_tool(args)
        messagesLC.append(ToolMessage(tool_output, tool_call_id=tool_call["id"]))

    response = llm_with_tools.invoke(messagesLC) 
    messagesLC.append(response)

print("=====最终结果=====")
print(response.content)

与原生LLM调用的比较

对于Function calling这部分功能，使用LangChain可以节省大段的手工定义tool schema的代码，也避免了未来有变动时会产生的维护问题。

同时，LangChain屏蔽了底层LLM。当LLM改变时，无需重写代码，只需要替换LangChain对应LLM的库文件即可。

目前LangChain快速迭代过程中，代码大功能上可以用，在细节上可能存在问题，遇到具体问题时可能需要看它的代码。

参考

OpenAI / function calling
LangChain / Tool/function calling
LangChain Message Types