AI原生应用领域函数调用的机器学习集成技巧关键词AI原生应用、函数调用、机器学习集成、智能代理、工具链协同摘要本文从AI原生应用的核心特点出发结合“模型决策工具执行”的新型应用架构系统讲解函数调用与机器学习模型的集成技巧。通过生活类比、代码示例和实战案例帮助开发者理解如何让大语言模型LLM像“智能管家”一样动态调用外部函数完成复杂任务最终构建更具实用性的AI原生应用。背景介绍目的和范围随着ChatGPT、GPT-4等大语言模型的普及AI应用正在从“模型独立运行”转向“模型工具”的协同架构。本文聚焦“函数调用”这一关键技术探讨如何将机器学习模型尤其是LLM与外部函数如API、数据库查询、本地工具深度集成覆盖从原理理解到实战落地的全流程。预期读者初级对AI应用开发感兴趣的开发者需了解基础Python和LLM概念中级正在开发智能助手、客服系统等AI原生应用的工程师高级关注AI系统架构设计的技术负责人或架构师文档结构概述本文从“核心概念→原理拆解→实战案例→应用场景”逐层深入通过“智能餐厅”的生活类比降低理解门槛结合OpenAI Function Call、LangChain等工具的代码示例最终总结未来趋势与挑战。术语表核心术语定义AI原生应用以机器学习模型尤其是LLM为核心决策引擎通过调用外部工具/函数完成具体任务的应用形态如智能客服、自动化助手。函数调用Function CallLLM在对话过程中根据输入内容判断需要调用外部函数如API接口、本地脚本并生成调用参数的过程类似人类“需要查天气时打开天气APP”。机器学习集成将模型的“决策能力”与函数的“执行能力”结合通过数据优化、流程设计提升整体系统的智能性和可靠性。相关概念解释工具链Tool Chain多个函数按一定规则组合成的任务处理流程如“先查用户位置→再调天气API→最后生成穿衣建议”。上下文管理Context ManagementLLM在对话中保留关键信息如用户需求、已调用函数结果的能力类似人类对话时记住“用户之前问过北京的天气”。核心概念与联系故事引入智能餐厅的“主厨与助手”想象你开了一家“AI智能餐厅”主厨LLM负责根据客人需求输入文本决定“做什么菜”生成回答但自己不会切菜、查食材库存或叫外卖无法直接执行外部操作。助手团队函数调用包括“切菜工”数据清洗函数、“库存查询员”数据库查询函数、“外卖员”第三方API调用能完成具体操作但需要主厨告诉“什么时候做、怎么做”。问题来了如何让主厨LLM和助手函数高效配合让客人用户吃到满意的菜品得到有用回答这就是“函数调用的机器学习集成”要解决的问题。核心概念解释像给小学生讲故事一样1. AI原生应用会“调用工具”的智能体传统应用像“固定程序的机器人”用户输入→程序按代码逻辑处理→输出结果比如计算器只能算数学题。AI原生应用像“会学习的小管家”用户说“今天北京热吗”它先判断“需要查天气”然后调用天气API获取数据最后生成“今天北京35℃建议带伞”的回答。核心是“模型做决策工具执行操作”。2. 函数调用LLM的“助手召唤术”大语言模型如GPT-4就像一个“知识很广但手无缚鸡之力的学者”它知道“要查天气需要调用API”但自己没法直接访问网络。这时候需要“函数调用”——LLM生成“调用天气API参数是北京”的指令让外部程序去执行类似学者喊助手“小王帮我查下北京今天的天气”。3. 机器学习集成让“召唤术”更智能的秘诀如果每次都要LLM手动判断“是否调用函数”可能会出错比如用户问“11”它却去调天气API。机器学习集成就是训练一个“小助手”教LLM什么时候该调用函数、调用哪个函数、参数怎么填。就像教餐厅主厨“客人问时间调时钟函数问天气调天气函数问数学题直接计算。”核心概念之间的关系用小学生能理解的比喻AI原生应用 vs 函数调用就像“小管家”和“工具箱”——小管家应用要完成任务必须用工具箱里的工具函数调用。函数调用 vs 机器学习集成就像“助手”和“训练手册”——助手函数能干活但需要训练手册集成技巧教它什么时候听谁的指令。AI原生应用 vs 机器学习集成就像“智能机器人”和“大脑训练”——机器人应用要更聪明需要大脑训练集成技巧提升决策能力。核心概念原理和架构的文本示意图AI原生应用的“模型-函数”协同架构可简化为用户输入 → LLM理解意图 → 判断是否需要函数调用 → 生成函数调用指令 → 执行函数获取数据/操作 → LLM整合结果 → 输出最终回答Mermaid 流程图需要调用函数不需要调用函数用户输入LLM意图解析生成函数调用指令直接生成回答执行函数如API调用获取函数返回结果LLM整合结果生成回答输出最终回答核心算法原理 具体操作步骤函数调用的触发逻辑如何让LLM“知道该调哪个函数”LLM本身不会“自动”知道何时调用函数需要通过提示工程Prompt Engineering或意图分类模型训练它。常见触发逻辑有两种1. 基于规则的触发简单但不够灵活给LLM“说明书”“如果用户问题包含‘天气’调用天气函数包含‘订单’调用订单函数。”示例规则用户问题包含“天气”“温度”→ 调用get_weather函数参数城市用户问题包含“订单”“物流”→ 调用query_order函数参数订单号2. 基于机器学习的触发更智能训练一个意图分类模型如用BERT微调输入用户问题输出“需要调用的函数类型”。例如输入“上海明天会下雨吗” → 输出“天气函数”输入“我的订单12345到哪了” → 输出“订单函数”函数调用的参数生成如何让LLM“填对参数”LLM需要根据用户问题提取函数所需参数。例如get_weather函数需要“城市”和“日期”参数用户问“北京今天热吗”LLM需要提取“城市北京”“日期今天”。关键技巧通过函数描述Schema告诉LLM参数要求。例如function_descriptions[{name:get_weather,description:获取指定城市指定日期的天气信息,parameters:{type:object,properties:{city:{type:string,description:需要查询天气的城市如北京、上海},date:{type:string,description:需要查询的日期格式为YYYY-MM-DD如2023-10-01默认今天}},required:[city]}}]具体操作步骤以OpenAI Function Call为例定义函数列表明确可用函数的名称、描述、参数如上面的get_weather。构造对话消息将用户问题和函数列表作为输入传给LLM如GPT-4。获取LLM响应LLM可能返回“直接回答”或“函数调用指令”包含函数名和参数。执行函数调用根据指令调用外部API或本地函数获取返回结果。整合结果生成最终回答将函数返回结果作为新输入传给LLM生成用户友好的回答。数学模型和公式 详细讲解 举例说明意图分类模型的数学基础以逻辑回归为例假设我们要训练一个二分类模型判断用户问题是否需要调用天气函数。模型输入是用户问题的词向量如用TF-IDF转换输出是概率值P(y1∣x)P(y1|x)P(y1∣x)y1y1y1表示需要调用。逻辑回归公式P(y1∣x)11e−(θ0θ1x1...θnxn) P(y1|x) \frac{1}{1 e^{-(\theta_0 \theta_1 x_1 ... \theta_n x_n)}}P(y1∣x)1e−(θ0θ1x1...θnxn)1其中θ\thetaθ是模型参数xxx是输入特征如“天气”一词的出现次数。训练目标最小化交叉熵损失函数L(θ)−1m∑i1m[y(i)log(P(y(i)1∣x(i)))(1−y(i))log(1−P(y(i)1∣x(i)))] L(\theta) -\frac{1}{m}\sum_{i1}^m [y^{(i)}\log(P(y^{(i)}1|x^{(i)})) (1-y^{(i)})\log(1-P(y^{(i)}1|x^{(i)}))]L(θ)−m1i1∑m[y(i)log(P(y(i)1∣x(i)))(1−y(i))log(1−P(y(i)1∣x(i)))]举例训练数据“北京今天多少度” →y1y1y1需要调天气函数“我的邮箱是什么” →y0y0y0不需要模型训练后输入“上海明天有雨吗”输出P0.95P0.95P0.95判断需要调用天气函数。函数参数提取的数学模型以命名实体识别为例参数提取本质是**命名实体识别NER**任务需要从文本中提取特定类型的实体如“城市”“日期”。BiLSTM-CRF模型结构输入文本 → 词嵌入 → BiLSTM捕捉上下文 → CRF预测实体标签标签定义B-CITY城市实体开头I-CITY城市实体中间/结尾B-DATE日期实体开头O非实体举例输入“北京2023-10-01的天气”输出标签序列[B-CITY, O, B-DATE, I-DATE, I-DATE, I-DATE, O]提取结果城市北京日期2023-10-01项目实战智能客服的函数调用集成开发环境搭建工具链LangChain简化LLM与函数的集成、OpenAI APIGPT-4作为LLM、Python 3.8安装依赖pipinstalllangchain openai python-dotenv配置API Key在.env文件中设置OPENAI_API_KEYyour_key源代码详细实现和代码解读我们将开发一个“电商智能客服”支持查询天气非核心业务演示用和订单状态核心功能。步骤1定义工具函数fromlangchain.toolsimportBaseToolfromtypingimportOptional,Typeimportrequests# 工具1查询天气classWeatherTool(BaseTool):nameget_weatherdescription获取指定城市指定日期的天气信息def_run(self,city:str,date:Optional[str]None)-str:# 调用真实天气API这里用模拟数据returnf{dateor今天}{city}的天气是晴气温28℃asyncdef_arun(self,city:str,date:Optional[str]None)-str:returnself._run(city,date)# 工具2查询订单状态classOrderTool(BaseTool):namequery_orderdescription查询指定订单号的物流状态def_run(self,order_id:str)-str:# 调用内部订单系统API模拟数据returnf订单{order_id}的物流状态是已到达北京分拨中心asyncdef_arun(self,order_id:str)-str:returnself._run(order_id)步骤2集成工具到LLM使用LangChain的Agent智能体将工具与LLM连接Agent会自动判断是否需要调用工具。fromlangchain.agentsimportinitialize_agent,AgentTypefromlangchain.llmsimportOpenAI# 初始化LLMGPT-3.5-turbollmOpenAI(temperature0)# temperature0让输出更确定# 创建工具列表tools[WeatherTool(),OrderTool()]# 初始化智能体使用zero-shot-react-description类型根据工具描述选择工具agentinitialize_agent(tools,llm,agentAgentType.ZERO_SHOT_REACT_DESCRIPTION,verboseTrue# 打印思考过程)步骤3运行对话# 用户问题1查询订单user_input1我的订单12345到哪了response1agent.run(user_input1)print(response1)# 输出订单12345的物流状态是已到达北京分拨中心# 用户问题2查询天气user_input2上海明天的天气怎么样response2agent.run(user_input2)print(response2)# 输出明天上海的天气是晴气温28℃# 用户问题3无需调用工具user_input3你好今天有什么活动吗response3agent.run(user_input3)print(response3)# 输出你好今天我们有满199减50的促销活动欢迎选购代码解读与分析工具类BaseTool定义了工具的名称、描述和执行逻辑_run方法LangChain会自动将工具信息“告诉”LLM。智能体Agent核心是“思考→行动→观察→反馈”循环。LLM会先思考“用户问题需要什么工具”然后生成工具调用指令执行后获取结果最后整合结果生成回答。verboseTrue打印LLM的思考过程如“用户问订单状态需要调用query_order工具参数是12345”方便调试。实际应用场景1. 智能助手如AutoGPTAutoGPT通过函数调用实现“自主完成任务”用户说“帮我策划一场北京的周末旅行”它会调用天气函数查天气、酒店API找住宿、景点数据库推荐地点最后生成旅行计划。2. 垂直领域客服如医疗、金融医疗用户问“高血压能吃阿司匹林吗”调用药品相互作用数据库函数返回“高血压患者需在医生指导下使用阿司匹林”。金融用户问“茅台股票今天涨了吗”调用实时行情API函数返回“贵州茅台600519今日涨幅1.2%现价1700元”。3. 自动化工具链如RPAAI传统RPA机器人流程自动化需要固定流程AI原生应用通过函数调用动态调整用户说“帮我整理本周销售数据并生成图表”系统调用数据库查询函数获取数据→ 数据分析函数生成报表→ 图表生成函数输出图片。工具和资源推荐开发框架LangChain最流行的LLM应用开发框架内置工具集成、上下文管理等功能官网https://python.langchain.com/。LlamaIndex专注于大语言模型与外部数据如文档、数据库的集成官网https://www.llamaindex.ai/。AutoGPT演示“自主智能体”的开源项目深度使用函数调用GitHubhttps://github.com/Significant-Gravitas/AutoGPT。模型平台OpenAI API支持Function Call功能GPT-3.5-turbo-0613及以上版本文档https://platform.openai.com/docs/guides/function-calling。Anthropic Claude支持“工具调用”Tool Calling适合需要长文本处理的场景官网https://www.anthropic.com/。监控与调试工具Weights BiasesWB跟踪LLM的对话历史、函数调用次数、响应时间等指标官网https://wandb.ai/。LangSmithLangChain官方的调试和监控平台官网https://smith.langchain.com/。未来发展趋势与挑战趋势1多模态函数调用未来LLM不仅能调用文本类函数如API还能调用图像生成如DALL·E、语音合成如Azure TTS等多模态函数。例如用户说“画一张北京秋天的风景图”LLM调用DALL·E函数生成图片。趋势2自主智能体Autonomous Agents类似AutoGPT的智能体将更“自主”能主动规划任务如“用户让我写周报需要先调数据函数→再调分析函数→最后调总结函数”、处理错误如函数调用失败时重试或切换备用函数。挑战1上下文管理LLM的上下文长度有限如GPT-4最多8192 tokens函数调用的参数、返回结果可能占用大量token导致“信息截断”。解决方案使用“记忆压缩”如用LLM总结函数结果或外部存储如向量数据库。挑战2多函数协同复杂任务需要调用多个函数如“先查用户位置→再调天气→最后生成穿衣建议”如何设计“函数调用顺序”和“依赖关系”是关键。可能需要引入“任务规划模型”如用强化学习训练调用策略。挑战3可靠性与安全性外部函数如支付API的调用需严格验证参数避免SQL注入等攻击同时处理函数调用失败如API超时的容错逻辑如重试、回退方案。总结学到了什么核心概念回顾AI原生应用以LLM为核心决策引擎通过调用外部函数完成任务的新型应用。函数调用LLM生成“调用指令”由外部程序执行具体操作如API调用。机器学习集成通过意图分类、参数提取等模型让LLM更智能地判断“何时调、调哪个、怎么调”。概念关系回顾AI原生应用就像“智能管家”函数调用是“工具箱”机器学习集成是“训练手册”——训练手册集成技巧教管家应用如何用工具箱函数更好地服务用户。思考题动动小脑筋假设你要开发一个“旅行规划智能助手”需要调用哪些函数如何设计这些函数的描述Schema如果函数调用返回“城市不存在”的错误LLM应该如何处理请设计一个错误处理流程。当用户问题同时涉及多个函数如“上海明天的天气如何顺便查下我的订单123”如何让LLM按顺序调用函数并整合结果附录常见问题与解答QLLM调用函数时如何避免“无限循环”A设置“最大调用次数”如最多调用3次或在函数描述中明确“函数仅用于获取数据不生成回答”避免LLM调用函数后再次调用。Q函数返回的结果格式不统一如有的返回JSON有的返回文本如何让LLM正确解析A在函数描述中规定返回格式如“必须返回JSON包含‘status’和‘data’字段”或用LLM对结果进行清洗如“将返回的文本转为JSON”。Q如何选择“基于规则”还是“基于模型”的触发方式A简单场景如固定领域用规则开发快复杂场景如用户问题多样用模型更智能可混合使用先规则过滤再模型细化。扩展阅读 参考资料OpenAI Function Call官方文档https://platform.openai.com/docs/guides/function-callingLangChain工具集成教程https://python.langchain.com/docs/modules/agents/tools/《AI原生应用开发》O’Reilly介绍LLM与工具集成的架构设计。AutoGPT GitHub仓库https://github.com/Significant-Gravitas/AutoGPT查看实际函数调用实现
AI原生应用领域函数调用的机器学习集成技巧
发布时间：2026/6/8 9:26:10
AI原生应用领域函数调用的机器学习集成技巧关键词AI原生应用、函数调用、机器学习集成、智能代理、工具链协同摘要本文从AI原生应用的核心特点出发结合“模型决策工具执行”的新型应用架构系统讲解函数调用与机器学习模型的集成技巧。通过生活类比、代码示例和实战案例帮助开发者理解如何让大语言模型LLM像“智能管家”一样动态调用外部函数完成复杂任务最终构建更具实用性的AI原生应用。背景介绍目的和范围随着ChatGPT、GPT-4等大语言模型的普及AI应用正在从“模型独立运行”转向“模型工具”的协同架构。本文聚焦“函数调用”这一关键技术探讨如何将机器学习模型尤其是LLM与外部函数如API、数据库查询、本地工具深度集成覆盖从原理理解到实战落地的全流程。预期读者初级对AI应用开发感兴趣的开发者需了解基础Python和LLM概念中级正在开发智能助手、客服系统等AI原生应用的工程师高级关注AI系统架构设计的技术负责人或架构师文档结构概述本文从“核心概念→原理拆解→实战案例→应用场景”逐层深入通过“智能餐厅”的生活类比降低理解门槛结合OpenAI Function Call、LangChain等工具的代码示例最终总结未来趋势与挑战。术语表核心术语定义AI原生应用以机器学习模型尤其是LLM为核心决策引擎通过调用外部工具/函数完成具体任务的应用形态如智能客服、自动化助手。函数调用Function CallLLM在对话过程中根据输入内容判断需要调用外部函数如API接口、本地脚本并生成调用参数的过程类似人类“需要查天气时打开天气APP”。机器学习集成将模型的“决策能力”与函数的“执行能力”结合通过数据优化、流程设计提升整体系统的智能性和可靠性。相关概念解释工具链Tool Chain多个函数按一定规则组合成的任务处理流程如“先查用户位置→再调天气API→最后生成穿衣建议”。上下文管理Context ManagementLLM在对话中保留关键信息如用户需求、已调用函数结果的能力类似人类对话时记住“用户之前问过北京的天气”。核心概念与联系故事引入智能餐厅的“主厨与助手”想象你开了一家“AI智能餐厅”主厨LLM负责根据客人需求输入文本决定“做什么菜”生成回答但自己不会切菜、查食材库存或叫外卖无法直接执行外部操作。助手团队函数调用包括“切菜工”数据清洗函数、“库存查询员”数据库查询函数、“外卖员”第三方API调用能完成具体操作但需要主厨告诉“什么时候做、怎么做”。问题来了如何让主厨LLM和助手函数高效配合让客人用户吃到满意的菜品得到有用回答这就是“函数调用的机器学习集成”要解决的问题。核心概念解释像给小学生讲故事一样1. AI原生应用会“调用工具”的智能体传统应用像“固定程序的机器人”用户输入→程序按代码逻辑处理→输出结果比如计算器只能算数学题。AI原生应用像“会学习的小管家”用户说“今天北京热吗”它先判断“需要查天气”然后调用天气API获取数据最后生成“今天北京35℃建议带伞”的回答。核心是“模型做决策工具执行操作”。2. 函数调用LLM的“助手召唤术”大语言模型如GPT-4就像一个“知识很广但手无缚鸡之力的学者”它知道“要查天气需要调用API”但自己没法直接访问网络。这时候需要“函数调用”——LLM生成“调用天气API参数是北京”的指令让外部程序去执行类似学者喊助手“小王帮我查下北京今天的天气”。3. 机器学习集成让“召唤术”更智能的秘诀如果每次都要LLM手动判断“是否调用函数”可能会出错比如用户问“11”它却去调天气API。机器学习集成就是训练一个“小助手”教LLM什么时候该调用函数、调用哪个函数、参数怎么填。就像教餐厅主厨“客人问时间调时钟函数问天气调天气函数问数学题直接计算。”核心概念之间的关系用小学生能理解的比喻AI原生应用 vs 函数调用就像“小管家”和“工具箱”——小管家应用要完成任务必须用工具箱里的工具函数调用。函数调用 vs 机器学习集成就像“助手”和“训练手册”——助手函数能干活但需要训练手册集成技巧教它什么时候听谁的指令。AI原生应用 vs 机器学习集成就像“智能机器人”和“大脑训练”——机器人应用要更聪明需要大脑训练集成技巧提升决策能力。核心概念原理和架构的文本示意图AI原生应用的“模型-函数”协同架构可简化为用户输入 → LLM理解意图 → 判断是否需要函数调用 → 生成函数调用指令 → 执行函数获取数据/操作 → LLM整合结果 → 输出最终回答Mermaid 流程图需要调用函数不需要调用函数用户输入LLM意图解析生成函数调用指令直接生成回答执行函数如API调用获取函数返回结果LLM整合结果生成回答输出最终回答核心算法原理 具体操作步骤函数调用的触发逻辑如何让LLM“知道该调哪个函数”LLM本身不会“自动”知道何时调用函数需要通过提示工程Prompt Engineering或意图分类模型训练它。常见触发逻辑有两种1. 基于规则的触发简单但不够灵活给LLM“说明书”“如果用户问题包含‘天气’调用天气函数包含‘订单’调用订单函数。”示例规则用户问题包含“天气”“温度”→ 调用get_weather函数参数城市用户问题包含“订单”“物流”→ 调用query_order函数参数订单号2. 基于机器学习的触发更智能训练一个意图分类模型如用BERT微调输入用户问题输出“需要调用的函数类型”。例如输入“上海明天会下雨吗” → 输出“天气函数”输入“我的订单12345到哪了” → 输出“订单函数”函数调用的参数生成如何让LLM“填对参数”LLM需要根据用户问题提取函数所需参数。例如get_weather函数需要“城市”和“日期”参数用户问“北京今天热吗”LLM需要提取“城市北京”“日期今天”。关键技巧通过函数描述Schema告诉LLM参数要求。例如function_descriptions[{name:get_weather,description:获取指定城市指定日期的天气信息,parameters:{type:object,properties:{city:{type:string,description:需要查询天气的城市如北京、上海},date:{type:string,description:需要查询的日期格式为YYYY-MM-DD如2023-10-01默认今天}},required:[city]}}]具体操作步骤以OpenAI Function Call为例定义函数列表明确可用函数的名称、描述、参数如上面的get_weather。构造对话消息将用户问题和函数列表作为输入传给LLM如GPT-4。获取LLM响应LLM可能返回“直接回答”或“函数调用指令”包含函数名和参数。执行函数调用根据指令调用外部API或本地函数获取返回结果。整合结果生成最终回答将函数返回结果作为新输入传给LLM生成用户友好的回答。数学模型和公式 详细讲解 举例说明意图分类模型的数学基础以逻辑回归为例假设我们要训练一个二分类模型判断用户问题是否需要调用天气函数。模型输入是用户问题的词向量如用TF-IDF转换输出是概率值P(y1∣x)P(y1|x)P(y1∣x)y1y1y1表示需要调用。逻辑回归公式P(y1∣x)11e−(θ0θ1x1...θnxn) P(y1|x) \frac{1}{1 e^{-(\theta_0 \theta_1 x_1 ... \theta_n x_n)}}P(y1∣x)1e−(θ0θ1x1...θnxn)1其中θ\thetaθ是模型参数xxx是输入特征如“天气”一词的出现次数。训练目标最小化交叉熵损失函数L(θ)−1m∑i1m[y(i)log(P(y(i)1∣x(i)))(1−y(i))log(1−P(y(i)1∣x(i)))] L(\theta) -\frac{1}{m}\sum_{i1}^m [y^{(i)}\log(P(y^{(i)}1|x^{(i)})) (1-y^{(i)})\log(1-P(y^{(i)}1|x^{(i)}))]L(θ)−m1i1∑m[y(i)log(P(y(i)1∣x(i)))(1−y(i))log(1−P(y(i)1∣x(i)))]举例训练数据“北京今天多少度” →y1y1y1需要调天气函数“我的邮箱是什么” →y0y0y0不需要模型训练后输入“上海明天有雨吗”输出P0.95P0.95P0.95判断需要调用天气函数。函数参数提取的数学模型以命名实体识别为例参数提取本质是**命名实体识别NER**任务需要从文本中提取特定类型的实体如“城市”“日期”。BiLSTM-CRF模型结构输入文本 → 词嵌入 → BiLSTM捕捉上下文 → CRF预测实体标签标签定义B-CITY城市实体开头I-CITY城市实体中间/结尾B-DATE日期实体开头O非实体举例输入“北京2023-10-01的天气”输出标签序列[B-CITY, O, B-DATE, I-DATE, I-DATE, I-DATE, O]提取结果城市北京日期2023-10-01项目实战智能客服的函数调用集成开发环境搭建工具链LangChain简化LLM与函数的集成、OpenAI APIGPT-4作为LLM、Python 3.8安装依赖pipinstalllangchain openai python-dotenv配置API Key在.env文件中设置OPENAI_API_KEYyour_key源代码详细实现和代码解读我们将开发一个“电商智能客服”支持查询天气非核心业务演示用和订单状态核心功能。步骤1定义工具函数fromlangchain.toolsimportBaseToolfromtypingimportOptional,Typeimportrequests# 工具1查询天气classWeatherTool(BaseTool):nameget_weatherdescription获取指定城市指定日期的天气信息def_run(self,city:str,date:Optional[str]None)-str:# 调用真实天气API这里用模拟数据returnf{dateor今天}{city}的天气是晴气温28℃asyncdef_arun(self,city:str,date:Optional[str]None)-str:returnself._run(city,date)# 工具2查询订单状态classOrderTool(BaseTool):namequery_orderdescription查询指定订单号的物流状态def_run(self,order_id:str)-str:# 调用内部订单系统API模拟数据returnf订单{order_id}的物流状态是已到达北京分拨中心asyncdef_arun(self,order_id:str)-str:returnself._run(order_id)步骤2集成工具到LLM使用LangChain的Agent智能体将工具与LLM连接Agent会自动判断是否需要调用工具。fromlangchain.agentsimportinitialize_agent,AgentTypefromlangchain.llmsimportOpenAI# 初始化LLMGPT-3.5-turbollmOpenAI(temperature0)# temperature0让输出更确定# 创建工具列表tools[WeatherTool(),OrderTool()]# 初始化智能体使用zero-shot-react-description类型根据工具描述选择工具agentinitialize_agent(tools,llm,agentAgentType.ZERO_SHOT_REACT_DESCRIPTION,verboseTrue# 打印思考过程)步骤3运行对话# 用户问题1查询订单user_input1我的订单12345到哪了response1agent.run(user_input1)print(response1)# 输出订单12345的物流状态是已到达北京分拨中心# 用户问题2查询天气user_input2上海明天的天气怎么样response2agent.run(user_input2)print(response2)# 输出明天上海的天气是晴气温28℃# 用户问题3无需调用工具user_input3你好今天有什么活动吗response3agent.run(user_input3)print(response3)# 输出你好今天我们有满199减50的促销活动欢迎选购代码解读与分析工具类BaseTool定义了工具的名称、描述和执行逻辑_run方法LangChain会自动将工具信息“告诉”LLM。智能体Agent核心是“思考→行动→观察→反馈”循环。LLM会先思考“用户问题需要什么工具”然后生成工具调用指令执行后获取结果最后整合结果生成回答。verboseTrue打印LLM的思考过程如“用户问订单状态需要调用query_order工具参数是12345”方便调试。实际应用场景1. 智能助手如AutoGPTAutoGPT通过函数调用实现“自主完成任务”用户说“帮我策划一场北京的周末旅行”它会调用天气函数查天气、酒店API找住宿、景点数据库推荐地点最后生成旅行计划。2. 垂直领域客服如医疗、金融医疗用户问“高血压能吃阿司匹林吗”调用药品相互作用数据库函数返回“高血压患者需在医生指导下使用阿司匹林”。金融用户问“茅台股票今天涨了吗”调用实时行情API函数返回“贵州茅台600519今日涨幅1.2%现价1700元”。3. 自动化工具链如RPAAI传统RPA机器人流程自动化需要固定流程AI原生应用通过函数调用动态调整用户说“帮我整理本周销售数据并生成图表”系统调用数据库查询函数获取数据→ 数据分析函数生成报表→ 图表生成函数输出图片。工具和资源推荐开发框架LangChain最流行的LLM应用开发框架内置工具集成、上下文管理等功能官网https://python.langchain.com/。LlamaIndex专注于大语言模型与外部数据如文档、数据库的集成官网https://www.llamaindex.ai/。AutoGPT演示“自主智能体”的开源项目深度使用函数调用GitHubhttps://github.com/Significant-Gravitas/AutoGPT。模型平台OpenAI API支持Function Call功能GPT-3.5-turbo-0613及以上版本文档https://platform.openai.com/docs/guides/function-calling。Anthropic Claude支持“工具调用”Tool Calling适合需要长文本处理的场景官网https://www.anthropic.com/。监控与调试工具Weights BiasesWB跟踪LLM的对话历史、函数调用次数、响应时间等指标官网https://wandb.ai/。LangSmithLangChain官方的调试和监控平台官网https://smith.langchain.com/。未来发展趋势与挑战趋势1多模态函数调用未来LLM不仅能调用文本类函数如API还能调用图像生成如DALL·E、语音合成如Azure TTS等多模态函数。例如用户说“画一张北京秋天的风景图”LLM调用DALL·E函数生成图片。趋势2自主智能体Autonomous Agents类似AutoGPT的智能体将更“自主”能主动规划任务如“用户让我写周报需要先调数据函数→再调分析函数→最后调总结函数”、处理错误如函数调用失败时重试或切换备用函数。挑战1上下文管理LLM的上下文长度有限如GPT-4最多8192 tokens函数调用的参数、返回结果可能占用大量token导致“信息截断”。解决方案使用“记忆压缩”如用LLM总结函数结果或外部存储如向量数据库。挑战2多函数协同复杂任务需要调用多个函数如“先查用户位置→再调天气→最后生成穿衣建议”如何设计“函数调用顺序”和“依赖关系”是关键。可能需要引入“任务规划模型”如用强化学习训练调用策略。挑战3可靠性与安全性外部函数如支付API的调用需严格验证参数避免SQL注入等攻击同时处理函数调用失败如API超时的容错逻辑如重试、回退方案。总结学到了什么核心概念回顾AI原生应用以LLM为核心决策引擎通过调用外部函数完成任务的新型应用。函数调用LLM生成“调用指令”由外部程序执行具体操作如API调用。机器学习集成通过意图分类、参数提取等模型让LLM更智能地判断“何时调、调哪个、怎么调”。概念关系回顾AI原生应用就像“智能管家”函数调用是“工具箱”机器学习集成是“训练手册”——训练手册集成技巧教管家应用如何用工具箱函数更好地服务用户。思考题动动小脑筋假设你要开发一个“旅行规划智能助手”需要调用哪些函数如何设计这些函数的描述Schema如果函数调用返回“城市不存在”的错误LLM应该如何处理请设计一个错误处理流程。当用户问题同时涉及多个函数如“上海明天的天气如何顺便查下我的订单123”如何让LLM按顺序调用函数并整合结果附录常见问题与解答QLLM调用函数时如何避免“无限循环”A设置“最大调用次数”如最多调用3次或在函数描述中明确“函数仅用于获取数据不生成回答”避免LLM调用函数后再次调用。Q函数返回的结果格式不统一如有的返回JSON有的返回文本如何让LLM正确解析A在函数描述中规定返回格式如“必须返回JSON包含‘status’和‘data’字段”或用LLM对结果进行清洗如“将返回的文本转为JSON”。Q如何选择“基于规则”还是“基于模型”的触发方式A简单场景如固定领域用规则开发快复杂场景如用户问题多样用模型更智能可混合使用先规则过滤再模型细化。扩展阅读 参考资料OpenAI Function Call官方文档https://platform.openai.com/docs/guides/function-callingLangChain工具集成教程https://python.langchain.com/docs/modules/agents/tools/《AI原生应用开发》O’Reilly介绍LLM与工具集成的架构设计。AutoGPT GitHub仓库https://github.com/Significant-Gravitas/AutoGPT查看实际函数调用实现
相关文章
数据产品商业化：免费增值模式实践指南
数据产品商业化：免费增值模式实践指南关键词：免费增值模式（Freemium）、数据产品商业化、用户分层、付费转化、增值服务设计摘要：数据产品如何从“免费可用”走向“付费真香”？本文以“免费增值模式…
生物信息学新手必看：BBmap比对工具从安装到实战全流程指南
生物信息学新手必看：BBmap比对工具从安装到实战全流程指南 第一次接触生物信息学数据分析时，面对海量的测序数据往往会感到无从下手。比对工具的选择尤为关键——既要保证准确性，又要兼顾效率。BBmap作为BBTools套件中的核心工具，…
Doris【实战篇】：从零构建高效OLAP分析平台
1. Doris初探：为什么选择这个OLAP利器？ 第一次接触Doris是在处理一个千万级用户行为分析项目时。当时团队尝试过多个分析型数据库，要么查询速度跟不上业务需求，要么运维成本高得吓人。直到测试Doris后，单表亿级数据聚合…
Jenkinsapi开发者手册：构建自定义Jenkins集成工具的关键技术
Jenkinsapi开发者手册：构建自定义Jenkins集成工具的关键技术 【免费下载链接】jenkinsapi A Python API for accessing resources and configuring Hudson & Jenkins continuous-integration servers 项目地址: https://gitcode.com/gh_mirrors/je/jenkinsapi…
别让W5500只跑MAC层！手把手教你用ioLibrary_Driver玩转硬件协议栈，解放MCU算力
解锁W5500硬件协议栈潜能：从MAC层到Socket API的实战优化指南在嵌入式网络开发中，我们常常陷入一种"惯性思维"：拿到一款硬件模块，不假思索地沿用最熟悉的软件方案。对于W5500这类自带硬件协议栈的网络芯片，8…
STM32F103C8直接可用的4×4矩阵键盘驱动工程，带串口调试输出和完整Keil项目文件
本文还有配套的精品资源，点击获取 简介：这个工程专为STM32F103C8T6最小系统板设计，实现标准44矩阵键盘的稳定扫描与按键识别。采用行扫描法，集成GPIO初始化、硬件消抖和按键值解析逻辑，支持实时读取0–15共16个按键…
HsMod：炉石传说的55个隐藏功能解锁器，重塑你的卡牌对战体验
HsMod：炉石传说的55个隐藏功能解锁器，重塑你的卡牌对战体验 【免费下载链接】HsMod Hearthstone Modification Based on BepInEx 项目地址: https://gitcode.com/GitHub_Trending/hs/HsMod 在炉石传说的世界里，每个玩家都曾经历过这样…
从音频均衡器到图像锐化：手把手拆解幅频/相频特性在FFmpeg和MATLAB里的实战应用
从音频均衡到图像锐化：幅频/相频特性在音视频处理中的工程实践在数字信号处理领域，幅频特性和相频特性常被视为艰深的理论概念，但当我们将其转化为音视频工程师手中的实用工具时，这些抽象理论立刻展现出惊人的实践价值。想象一下&…
蓝桥杯B组Java选手看过来：用这几道真题带你拆解省奖拿分套路
蓝桥杯B组Java选手实战指南：从真题拆解到省奖策略在算法竞赛的江湖里，蓝桥杯一直是普通本科院校学生证明自己的重要舞台。不同于ACM等团队竞赛的高门槛，蓝桥杯B组更注重基础算法的扎实运用和细心程度——这正是大多数Java选手能够通过系统训练…
解决老旧机顶盒资源化难题：Amlogic S9xxx Armbian项目在TY1608设备上的系统适配实现
解决老旧机顶盒资源化难题：Amlogic S9xxx Armbian项目在TY1608设备上的系统适配实现 【免费下载链接】amlogic-s9xxx-armbian Supports running Armbian on Amlogic, Allwinner, and Rockchip devices. Support a311d, s922x, s905x3, s905x2, s912, s905d, s905x, …
Python Scrapy 爬虫实战进阶系列（一）：轻量化数据存储 - 数据精准写入 SQLite 数据库
前言 在 Python 爬虫开发领域中，Scrapy 作为高性能、高可扩展性的异步爬虫框架，是行业内采集结构化数据的首选工具。在中小型爬虫项目、本地数据采集、轻量化数据存储场景中，SQLite 无需独立服务、单文件存储、原生兼容 Python 的特性&#…
3步实现Windows直读Btrfs分区：跨平台文件系统互通终极方案
3步实现Windows直读Btrfs分区：跨平台文件系统互通终极方案 【免费下载链接】btrfs WinBtrfs - an open-source btrfs driver for Windows 项目地址: https://gitcode.com/gh_mirrors/bt/btrfs 还在为Windows无法访问Linux Btrfs分区而烦恼吗？你是…
LED驱动技术全解析：从核心架构到实战选型与避坑指南
1. 从一颗灯珠到千亿市场：LED驱动的技术演进与商业逻辑十几年前，当我第一次从料盘上拿起一颗0603封装的白色LED时，它微弱的光晕和高达几块钱的单颗成本，让我很难想象今天它几乎照亮了我们生活的每一个角落。从手机屏幕的一抹背光&…
索引堆及其优化
索引堆及其优化 引言 索引堆是一种数据结构，广泛应用于计算机科学和软件工程领域。它主要用于解决优先队列问题，如最小堆和最大堆。本文将详细介绍索引堆的概念、实现方法以及优化策略。 索引堆的定义 索引堆是一种基于堆数据结构的索引机制。它通过维护一个堆来存储数据…
从零到日增237精准粉丝，我靠CSDN这张AI卡片爆了！手把手复刻全流程，含配置避坑清单
更多请点击： https://intelliparadigm.com 第一章：CSDN AI 数字营销的官方引流卡片是什么功能？ CSDN AI 数字营销平台推出的「官方引流卡片」，是一种面向技术创作者的轻量级、可嵌入式内容分发组件，专为提升博文、教程…
Zotero Duplicates Merger：5步彻底清理文献库重复条目
Zotero Duplicates Merger：5步彻底清理文献库重复条目 【免费下载链接】ZoteroDuplicatesMerger A zotero plugin to automatically merge duplicate items 项目地址: https://gitcode.com/gh_mirrors/zo/ZoteroDuplicatesMerger 还在为文献库中堆积如山的重…
利用随机有限集理论对蜂群的ILQR和MPC控制研究附Matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页：Matlab科研工作室🍊个人信条：格物致知,完整Matlab代码及仿真咨询…
为什么你的Gemini邮件CTE低于行业均值2.8倍？：从Prompt架构到发送时序的深度归因
更多请点击： https://intelliparadigm.com 第一章：为什么你的Gemini邮件CTE低于行业均值2.8倍？：从Prompt架构到发送时序的深度归因 Gemini邮件的客户转化效率（CTE）显著偏低，根本原因常被误判为…