当前位置： 首页 > news >正文

智能体之外部工具篇(2)

news 2025/8/2 7:29:12

一、序言

        随着大语言模型（LLM）能力的突飞猛进，它们已能完成复杂的自然语言生成、推理与规划任务。然而，绝大多数 LLM 在脱离训练语料后，无法直接感知实时世界、调用系统服务或访问业务数据，导致它们成为“闭门造车”的天才语言工匠。

        在智能体（Agent）架构中，连接外部工具（Tools）正成为打破这一瓶颈的关键路径。通过调用搜索引擎、数据库、API 接口，或执行脚本等能力，LLM 能够获得“行动力”与“环境反馈”，逐步实现认知—执行闭环。

二、工具方案

目前，业界围绕 “如何让 LLM 连接工具” 形成了两大主流技术路径：

  • Function Calling：模型主导式，由 LLM 主动生成结构化的函数调用请求；

  • Agent + Tools 调度框架（如 LangChain）：框架主导式，通过工具选择器（Tool Executor）、规划器（Planner）等组件动态调度工具链。

这两类方案背后折射出不同的设计哲学与技术演进路径，如何选择、组合、实现，成为构建智能体系统的核心工程问题。

三、具体实践

1、Function Calling实现查询天气

@RestController
@RequestMapping("/chat")
public class ChatController {private static final String OPENAI_API_KEY = "你的API Key";private static final String OPENAI_API_URL = "https://api.openai.com/v1/chat/completions";private final RestTemplate restTemplate = new RestTemplate();private final ObjectMapper mapper = new ObjectMapper();@PostMapping("/ask")public String ask(@RequestParam String userInput) throws Exception {// 1. 构造用户消息List<Map<String, Object>> messages = new ArrayList<>();messages.add(Map.of("role", "user", "content", userInput));// 2. 定义函数 schemaMap<String, Object> getWeatherFunction = Map.of("name", "getWeather","description", "获取城市的天气","parameters", Map.of("type", "object","properties", Map.of("city", Map.of("type", "string", "description", "城市名")),"required", List.of("city")));// 3. 构造请求体Map<String, Object> request = new HashMap<>();request.put("model", "gpt-4");request.put("messages", messages);request.put("functions", List.of(getWeatherFunction));request.put("function_call", "auto");HttpHeaders headers = new HttpHeaders();headers.setContentType(MediaType.APPLICATION_JSON);headers.setBearerAuth(OPENAI_API_KEY);HttpEntity<String> entity = new HttpEntity<>(mapper.writeValueAsString(request), headers);ResponseEntity<String> response = restTemplate.postForEntity(OPENAI_API_URL, entity, String.class);// 4. 解析返回JsonNode root = mapper.readTree(response.getBody());JsonNode message = root.at("/choices/0/message");if (message.has("function_call")) {String functionName = message.at("/function_call/name").asText();String arguments = message.at("/function_call/arguments").asText();JsonNode argsNode = mapper.readTree(arguments);String city = argsNode.get("city").asText();// 5. 模拟调用函数String weather = "今天 " + city + " 晴转多云，25°C~30°C";// 6. 把函数返回值交给模型继续回答Map<String, Object> funcResponse = Map.of("role", "function","name", functionName,"content", weather);messages.add(Map.of("role", "assistant", "function_call", message.get("function_call")));messages.add(funcResponse);Map<String, Object> followUp = Map.of("model", "gpt-4","messages", messages);HttpEntity<String> followEntity = new HttpEntity<>(mapper.writeValueAsString(followUp), headers);ResponseEntity<String> followResponse = restTemplate.postForEntity(OPENAI_API_URL, followEntity, String.class);return followResponse.getBody();}return mapper.writeValueAsString(message);}
}

Function Calling 是一种“模型建议调用函数，人类程序负责实际执行”的模式。即：

模型返回需要调用的函数名和参数 ——由你（开发者）写代码调用对应函数 ——将结果回传给模型继续回答。

2、LangChain实现查询天气

from langchain import OpenAI, LLMChain
from langchain.agents import Tool, initialize_agent
from langchain.agents import AgentType
import requests# 1) 自定义天气查询函数（调用公开API）
def get_weather(city: str) -> str:# 这里用的是免费的wttr.in天气API，无需keyurl = f"https://wttr.in/{city}?format=3"try:res = requests.get(url)if res.status_code == 200:return res.textelse:return "无法获取天气信息"except Exception as e:return f"请求出错：{e}"# 2) 包装成Tool，供Agent调用
weather_tool = Tool(name="Weather Query",func=get_weather,description="用于查询指定城市的实时天气，输入城市名"
)# 3) 初始化OpenAI LLM
llm = OpenAI(temperature=0)# 4) 初始化Agent，支持工具调用
agent = initialize_agent(tools=[weather_tool],llm=llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)# 5) 输入查询，运行Agent
query = "请告诉我北京的天气"
result = agent.run(query)print("Agent回答：", result)

  • 用户输入：“请告诉我北京的天气”

  • Agent 内部调用 LLM，理解用户想查询天气。

  • Agent 决定调用 weather_tool（它其实是 get_weather 函数的代理）

  • Agent 执行 weather_tool.func("北京") → 实际调用 get_weather("北京")

  • get_weather 函数请求天气接口，返回天气字符串，比如 "北京: 🌤 +27°C"

  • Agent 收到函数结果后，把结果融入回答，返回给用户。

维度OpenAI Function CallingLangChain 实现查询天气
调用触发GPT-4 等模型在生成响应时，内嵌调用函数意图信息（函数名和参数），API 返回调用指令由 LangChain Agent（基于 LLM）判断是否调用封装的工具（Tool），动态执行对应函数
函数执行时机客户端接收到模型返回的函数调用指令后，调用相应本地/远程函数Agent 执行过程中，遇到调用指令时自动调用对应函数
代码结构需要调用方自己写函数，负责参数解析、请求调用、结果返回和再输入模型通过 Tool 封装函数，Agent 自动管理调用和结果集成，封装更完整

四、总结

方案适用场景示例
OpenAI Function Calling简单工具调用，如天气、计算器、数据库查询，快速集成API调用；微服务接入；对接已有函数接口
LangChain Agent复杂多工具协作任务，如多步决策、角色分工、复杂多轮对话、带记忆的智能体系统

可以结合自己的使用场景选择对应的解决方案，技术是用来解决实际业务问题的，切记为了使用某种技术而使用，为了设计好看而设计。

http://www.dtcms.com/a/309872.html

相关文章：

  • SpringBoot英语学习系统开发实战
  • TOGAF指南1
  • JavaWeb--Student2025项目：条件查询、批量删除、新增、修改
  • a=b、深拷贝和浅拷贝
  • pycharm快捷键设置为和vscode一样
  • 日志管理工具 ——Graylog
  • 外卖“0元购”退场后，即时零售大战才刚开始
  • 一个可以检测本机的字节顺序，并对任意数据进行字节顺序的反转操作的代码。
  • 学习设计模式《二十》——解释器模式
  • GenieWizard: Multimodal App Feature Discovery with LargeLanguage Models
  • 解决IDEA无法克隆GitHub上的工程的问题
  • 【VSCode】常用插件推荐（持续更新~）
  • Leetcode 10 java
  • python基础语法4，函数（简单易上手的python语法教学）课后习题
  • Spyglass CDC basic concept
  • 【案例教程】基于生命周期评价法的农田温室气体排放估算、农田CH4和N2O排放模拟、DSSAT模型农田碳库模型和土壤呼吸
  • 中央厨房选址：五维权衡术
  • Apache RocketMQ 中 Producer（生产者）的详细说明
  • 【string类常见接口】
  • Docker设置容器时间
  • LeetCode热题100——146. LRU 缓存
  • 在各种操作系统上安装 Ansible
  • Git之远程仓库
  • 《Uniapp-Vue 3-TS 实战开发》实现自定义头部导航栏
  • 基于coze studio开源框架二次定制开发教程
  • 乐创E20H1型IO从站与Ethercat转Profinet网关转换器的配置应用案例
  • SpringBoot+Mybatis+MySQL+Vue+ElementUI前后端分离版：日志管理（四）集成Spring Security
  • 校园交友|基于SprinBoot+vue的校园交友网站(源码+数据库+文档)
  • 【前端】CSS Grid布局介绍及示例
  • ThingsKit Edge边缘计算平台是什么？