深入理解Agent:从0实现function call

Function的调用时Agent实现很重要的一步,只有了解了这个原理才可以更好的创建Agent。

我将不使用任何langchain等框架或者coze等平台,从0开始构建一个可以调用function的Agent。

源代码已经上传github:github.com/astordu/age...

一、场景

Agent的目标:可以回答关于天气的问题。 用到的function:调用某地方的天气情况,并且反馈

流程: 1.思考: 用户输入问题,模型先对问题进行分析 2.行动: 如果问到了天气问题,则分析出需要调用的function以及function要传入的参数 3.响应:function返回后,将答案整理好回复给用户。

函数自定:

  1. 我们先定义一个获取天气的函数(属于Tools中的一个,这里用于演示,不做真实调用):

    python 复制代码
         def get_weather(location):
                 return "天气晴朗"
  2. 再定义一个大模型的发送信息的方法:

    ini 复制代码
     def send_messages(messages):
             response = client.chat.completions.create(
             model="deepseek-chat",
             messages=messages
             )
             return response.choices[0].message
    
     client = OpenAI(
             api_key="<你的deepseek的key>",
             base_url="https://api.deepseek.com",
     )

二、设计思路

从"用户提出问题"到"思考"到"响应"其实是调用了多次LLM模型。

所以我们要求模型按照顺序去调用LLM:

css 复制代码
你在运行一个"思考","工具调用","响应"循环。每次只运行一个阶段

1."思考"阶段:你要仔细思考用户的问题
2."工具调用阶段":选择可以调用的工具,并且输出对应工具需要的参数
3."响应"阶段:根据工具调用返回的影响,回复用户问题。

已有的工具如下:
get_weather:
e.g. get_weather:天津
返回天津的天气情况

Example:
question:天津的天气怎么样?
thought:我应该调用工具查询天津的天气情况
Action:
{
	"function_name":"get_response_time"
	"function_params":{
		"location":"天津"
	}
}
调用Action的结果:"天气晴朗"
Answer:天津的天气晴朗

上边的逻辑正好可以当作system的提示语:

ini 复制代码
system="""
	你在运行一个"思考","工具调用","响应"循环。每次只运行一个阶段
	
	1."思考"阶段:你要仔细思考用户的问题
	2."工具调用阶段":选择可以调用的工具,并且输出对应工具需要的参数
	3."响应"阶段:根据工具调用返回的影响,回复用户问题。
	
	已有的工具如下:
	get_weather:
	e.g. get_weather:天津
	返回天津的天气情况
	
	Example:
	question:天津的天气怎么样?
	thought:我应该调用工具查询天津的天气情况
	Action:
	{
		"function_name":"get_response_time"
		"function_params":{
			"location":"天津"
		}
	}
	调用Action的结果:"天气晴朗"
	Answer:天津的天气晴朗
"""

第一步,向模型提问一个问题

ini 复制代码
question="北京天气怎么样"

messages = [{"role": "system", "content": system_prompt},
{"role": "user", "content": question}]

message = send_messages(messages)
print(f"Model-1th>\n {message.content}")

返回值:

json 复制代码
Model-1th>
 thought:我应该调用工具查询北京的天气情况
Action:
{
        "function_name":"get_weather",
        "function_params":{
                "location":"北京"
        }
}

可以看出模型已经进行了思考,并且返回了可以调用的工具了

第二步,如果从"第一步"的返回值中可以提取调用工具的json

第三步,调用真实工具,获取真实结果(这里是伪代码)

scss 复制代码
    invoke_function(**function_name,**function_params)

第四步,将工具调用的结果追加到message中,一起给到模型,让它总结回答:

python 复制代码
messages.append({"role": "assistant", "content": f"调用Action的结果:{tianqi}"})
message = send_messages(messages)

print(f"Model-2th>\n {message.content}")

返回值:

shell 复制代码
Model-2th> 
北京今天的天气晴朗。

三、tools功能的演进

随着LLM调用工具的普及,这种调用方法集成在大模型api接口中就变得越重要。

大部分模型厂商已经支持了function call,下面是deepseek工具调用的一个例子1:

ini 复制代码
response = client.chat.completions.create(
	model="deepseek-chat",
	messages=messages,
	tools=tools
)

其中 tools是可以供模型选择的工具。

写在最后

从0开发写function的逻辑,需要让模型思考、观察、行动。其实这个流程的循环其实就是ReAct框架的原理。2

参考文章: 1 deepseek function文档: api-docs.deepseek.com/zh-cn/guide... 2# 讓 LLM 更好用的方法:ReAct prompting: edge.aif.tw/application...

相关推荐
ZhengEnCi20 小时前
AI 读不懂你的代码怎么办:用高价值注释消除曲解、过度优化与上下文膨胀
aigc·ai编程
泯泷1 天前
OpenClaw 退潮背后,是 AI 圈“技术自嗨”的终结
人工智能·chatgpt·llm
爱查宝小二1 天前
爱查宝降AIGC效果实测与过检能力展示
aigc
花椒技术1 天前
从“实时生成游戏”出发,我们用 AI 做了四次游戏开发尝试
人工智能·aigc·游戏开发
泯泷1 天前
当"孤独的开发者"成为常态,AI正在悄悄杀死那个我们熟悉的互联网
人工智能·chatgpt·llm
花椒技术1 天前
数字人为什么突然爆发?从 H3 Max Lip Sync 看生成式数字人的临界点
人工智能·aigc
小虎AI生活1 天前
太好了!豆包终于接入了多模型,正面硬刚WorkBuddy
aigc·ai编程
泯泷1 天前
给你一个免费的20人 AI 团队,你的胜算真的变大了吗?
人工智能·llm
xyphf_和派孔明1 天前
第十章: Agent Skill的调用机制解读
langchain·llm·agent
Csvn1 天前
所有问题都喂最贵的模型?规则路由实测:30 个问题里 16 个能交给便宜模型(C03)
人工智能·aigc·agent