一些LLM除了生成文本，还可触发操作。

所有支持tools的LLMs可在此处找到（参见“Tools”栏）。

有一个被称为“工具（tools）”或“函数调用（function calling）”的概念。它允许LLM在必要时调用一或多个由开发者定义的工具。工具可以是任何东西：网页搜索、外部API调用、或执行一段特定代码等。LLM本身无法实际调用这些工具；它们会在响应中表达出调用某个工具的意图（而不是直接生成文本）。我们开发者，则需要根据提供的参数来执行这些工具并报告工具执行结果。

如我们知道LLM本身并不擅长数学运算。若你的应用场景涉及偶尔的数学计算，你可能希望为LLM提供一个“math tool”。通过在请求中声明一个或多个工具，LLM可以在认为适合时调用其中一个。如遇到数学问题并拥有一组数学工具时，LLM可能会决定首先调用其中的一个来正确回答问题。

1 有无工具时的效果

1.1 没有工具的消息示例

<code>Request:

- messages:

- UserMessage:

- text: What is the square root of 475695037565?

Response:

- AiMessage:

- text: The square root of 475695037565 is approximately 689710.

接近正确，但不完全对。

1.2 使用以下工具的消息示例

@Tool("Sums 2 given numbers")

public double sum(double a, double b) {

return a + b;

}

@Tool("Returns a square root of a given number")

public double squareRoot(double x) {

return Math.sqrt(x);

}

Request 1:

- messages:

- UserMessage:

- text: What is the square root of 475695037565?

- tools:

- sum(double a, double b): Sums 2 given numbers

- squareRoot(double x): Returns a square root of a given number

Response 1:

- AiMessage:

- toolExecutionRequests:

- squareRoot(475695037565)

... here we are executing the squareRoot method with the "475695037565" argument and getting "689706.486532" as a result ...

Request 2:

- messages:

- UserMessage:

- text: What is the square root of 475695037565?

- AiMessage:

- toolExecutionRequests:

- squareRoot(475695037565)

- ToolExecutionResultMessage:

- text: 689706.486532

Response 2:

- AiMessage:

- text: The square root of 475695037565 is 689706.486532.

如你所见，当LLM拥有工具时，它可在适当时决定调用其中的一个。

这是一个非常强大的功能。这简单例子，我们给LLM提供原始的数学工具，但可想象如提供如googleSearch和sendEmail工具，然后提供一个查询“我的朋友想知道AI领域的最新消息。请将简短的总结发送到friend@email.com”，那它可用googleSearch工具找到最新消息，然后总结并通过sendEmail工具发送总结。

经验法则

为了增加LLM调用正确工具和参数的几率，我们应该提供清晰且明确的：

• 工具名称
• 工具的功能描述以及何时使用
• 每个工具参数的描述

一个好的经验法则是：如果人类能理解工具的用途和如何使用，那么LLM也能理解。

LLM被专门微调，以检测何时调用工具以及如何调用它们。某些模型甚至可以一次调用多个工具，如OpenAI。

注意，工具/函数调用与JSON模式不同。

2 两个抽象层次

LangChain4j 提供两个使用工具的抽象层：

• 底层，使用 ChatLanguageModel API
• 高级，使用AI服务和@Tool注解的Java方法

3 底层工具API

3.1 generate

可用ChatLanguageModel#generate(List<ChatMessage>, List<ToolSpecification>)：

/**

* 根据消息列表和工具规范列表从模型生成响应。响应可以是文本消息，也可以是执行指定工具之一的请求。通常，该列表包含按以下顺序排列的消息：System (optional) - User - AI - User - AI - User ...

* messages – 消息列表

* toolSpecifications – 允许模型执行的工具列表。该模型自主决定是否使用这些工具中的任何一个

* return：模型生成的响应

* AiMessage 可以包含文本响应或执行其中一个工具的请求。

*/

default Response<AiMessage> generate(List<ChatMessage> messages, List<ToolSpecification> toolSpecifications) {

throw new IllegalArgumentException("Tools are currently not supported by this model");

}

类似方法也存于StreamingChatLanguageModel。

3.2 ToolSpecification

package dev.langchain4j.agent.tool;

// 包含工具所有信息

public class ToolSpecification {

// 工具的`名称`

private final String name;

// 工具的`描述`

private final String description;

// 工具的`参数`及其描述

private final ToolParameters parameters;

推荐尽可能提供关于工具的所有信息：清晰的名称、详尽的描述和每个参数的描述等。

3.2.1 创建ToolSpecification

① 手动

ToolSpecification toolSpecification = ToolSpecification.builder()

.name("getWeather")

.description("返回指定城市的天气预报")

.addParameter("city", type("string"), description("应返回天气预报的城市"))

.addParameter("temperatureUnit", enums(TemperatureUnit.class)) // 枚举 TemperatureUnit { 摄氏, 华氏 }

.build();

② 使用辅助方法

• ToolSpecifications.toolSpecificationsFrom(Class)
• ToolSpecifications.toolSpecificationsFrom(Object)
• ToolSpecifications.toolSpecificationFrom(Method)

class WeatherTools {

@Tool("Returns the weather forecast for a given city")

String getWeather(

@P("The city for which the weather forecast should be returned") String city,

TemperatureUnit temperatureUnit

) {

...

}

}

List<ToolSpecification> toolSpecifications = ToolSpecifications.toolSpecificationsFrom(WeatherTools.class);

一旦你拥有List<ToolSpecification>，可调用模型：

UserMessage userMessage = UserMessage.from("伦敦明天的天气如何？");

Response<AiMessage> response = model.generate(List.of(userMessage), toolSpecifications);

AiMessage aiMessage = response.content();

若LLM决定调用工具，返回的AiMessage将包含toolExecutionRequests字段中的数据。此时，AiMessage.hasToolExecutionRequests()将返回true。根据LLM不同，它可包含一或多个ToolExecutionRequest对象（某些LLM支持并行调用多个工具）。

每个ToolExecutionRequest应包含：

public class ToolExecutionRequest {

// 工具调用的`id`（某些LLM不提供）

private final String id;

// 要调用的工具名称，例如：`getWeather`

private final String name;

// 工具的`参数`，例如：`{ "city": "London", "temperatureUnit": "CELSIUS" }`

private final String arguments;

你要用ToolExecutionRequest中的信息手动执行工具。

如希望将工具执行的结果发回LLM，你要为每个ToolExecutionRequest创建一个ToolExecutionResultMessage并与之前的所有消息一起发送：

String result = "预计明天伦敦会下雨。";

ToolExecutionResultMessage toolExecutionResultMessage = ToolExecutionResultMessage.from(toolExecutionRequest, result);

List<ChatMessage> messages = List.of(userMessage, aiMessage, toolExecutionResultMessage);

Response<AiMessage> response2 = model.generate(messages, toolSpecifications);

4 高级工具API

高层，你可为任何Java方法添加@Tool注解，并将其与AI服务一起使用。

AI服务会自动将这些方法转换为ToolSpecification，并在每次与LLM的交互中包含它们。当LLM决定调用工具时，AI服务将自动执行相应的方法，并将方法的返回值（如果有）发送回LLM。实现细节可以在DefaultToolExecutor中找到。

@Tool("Searches Google for relevant URLs, given the query")

public List<String> searchGoogle(@P("search query") String query) {

return googleSearchService.search(query);

}

@Tool("Returns the content of a web page, given the URL")

public String getWebPageContent(@P("URL of the page") String url) {

Document jsoupDocument = Jsoup.connect(url).get();

return jsoupDocument.body().text();

}

4.1 @Tool

任何用@Tool注解并在构建AI服务时明确指定的Java方法，都可以被LLM执行

interface MathGenius {

String ask(String question);

}

class Calculator {

@Tool

public double add(int a, int b) {

return a + b;

}

@Tool

public double squareRoot(double x) {

return Math.sqrt(x);

}

}

MathGenius mathGenius = AiServices.builder(MathGenius.class)

.chatLanguageModel(model)

.tools(new Calculator())

.build();

String answer = mathGenius.ask("What is the square root of 475695037565?");

System.out.println(answer); // The square root of 475695037565 is 689706.486532.

调用ask方法时，会发生两次与LLM的交互，如前文所述。交互期间，会自动调用squareRoot方法。

@Tool注解有两个可选字段：

• name: 工具的名称。如果未提供，方法名将作为工具名称。
• value: 工具的描述。

根据具体工具，即使不提供描述，LLM也可能理解其用途（例如，add(a, b)很明显），但通常最好提供清晰且有意义的名称和描述。这样，LLM在决定是否调用工具以及如何调用时会有更多信息。

4.2 @P

方法的参数可以使用@P注解。

@P注解有两个字段：

• value: 参数的描述，此字段是必填的。
• required: 参数是否是必需的，默认值为true，此字段为可选。

4.3 @ToolMemoryId

如果AI服务方法的某个参数使用了@MemoryId注解，则可以在@Tool方法的参数上使用@ToolMemoryId进行注解。这样，提供给AI服务方法的值将自动传递给@Tool方法。这对于多个用户和/或每个用户有多个聊天或记忆的场景非常有用，可以在@Tool方法中区分它们。

4.4 访问已执行的工具

如果你希望访问AI服务调用过程中执行的工具，可以通过将返回类型封装在Result类中轻松实现：

interface Assistant {

Result<String> chat(String userMessage);

}

Result<String> result = assistant.chat("取消我的预订 123-456");

String answer = result.content();

List<ToolExecution> toolExecutions = result.toolExecutions();

4.5 以编程方式指定工具

在使用AI服务时，也可以通过编程方式指定工具。这种方法非常灵活，因为工具可以从外部资源（如数据库和配置文件）加载。

工具名称、描述、参数名称和描述都可以使用ToolSpecification进行配置：

ToolSpecification toolSpecification = ToolSpecification.builder()

.name("get_booking_details")

.description("返回预订详情")

.addParameter("bookingNumber", type("string"), description("B-12345格式的预订编号"))

.build();

对于每个ToolSpecification，需要提供一个ToolExecutor实现来处理LLM生成的工具执行请求：

ToolExecutor toolExecutor = (toolExecutionRequest, memoryId) -> {

Map<String, Object> arguments = fromJson(toolExecutionRequest.arguments());

String bookingNumber = arguments.get("bookingNumber").toString();

Booking booking = getBooking(bookingNumber);

return booking.toString();

};

一

旦我们拥有一个或多个（ToolSpecification，ToolExecutor）对，我们可以在创建AI服务时指定它们：

Assistant assistant = AiServices.builder(Assistant.class)

.chatLanguageModel(chatLanguageModel)

.tools(singletonMap(toolSpecification, toolExecutor))

.build();

4.6 动态指定工具

在使用AI服务时，每次调用时也可以动态指定工具。可以配置一个ToolProvider，该提供者将在每次调用AI服务时被调用，并提供应包含在当前请求中的工具。ToolProvider接受一个包含UserMessage和聊天记忆ID的ToolProviderRequest，并返回包含工具的ToolProviderResult，其形式为ToolSpecification到ToolExecutor的映射。

下面是一个示例，展示如何仅在用户消息中包含“预订”一词时添加get_booking_details工具：

ToolProvider toolProvider = (toolProviderRequest) -> {

if (toolProviderRequest.userMessage().singleText().contains("booking")) {

ToolSpecification toolSpecification = ToolSpecification.builder()

.name("get_booking_details")

.description("返回预订详情")

.addParameter("bookingNumber", type("string"))

.build();

return ToolProviderResult.builder()

.add(toolSpecification, toolExecutor)

.build();

} else {

return null;

}

};

Assistant assistant = AiServices.builder(Assistant.class)

.chatLanguageModel(model)

.toolProvider(toolProvider)

.build();

5 示例

• 带工具的示例
• 带动态工具的示例

参考：

• 关于工具的精彩指南

关注我，紧跟本系列专栏文章，咱们下篇再续！

作者简介：魔都架构师，多家大厂后端一线研发经验，在分布式系统设计、数据平台架构和AI应用开发等领域都有丰富实践经验。

各大技术社区头部专家博主。具有丰富的引领团队经验，深厚业务架构和解决方案的积累。

负责：

• 中央/分销预订系统性能优化
• 活动&券等营销中台建设
• 交易平台及数据中台等架构和开发设计
• 车联网核心平台-物联网连接平台、大数据平台架构设计及优化
• LLM Agent应用开发
• 区块链应用开发
• 大数据开发挖掘经验
• 推荐系统项目

目前主攻市级软件项目设计、构建服务全社会的应用系统。

参考：

• 编程严选网

本文由博客一文多发平台 OpenWrite 发布！