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")code>

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