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

liyane 2024-07-13 10:01:01 阅读 72

目录

前言LangChain Tool/Function calling1. Tool/function加强功能LangChain的tool装饰器其他方式: Pydantic

2. 绑定tools/functions3. 调用大模型(LLM)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<code>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")code>

b: int = Field(..., description="Second integer")code>

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")code>

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?'), code>

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}), code>

ToolMessage(content='45', tool_call_id='call_LsvajoCqf1G6ZNNS8M1gildQ'), code>

AIMessage(content='一共有45个苹果。', response_metadata={'finish_reason': 'stop', 'logprobs': None})code>

]

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")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

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



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。