Tools (Function Calling)

一些LLMs，除了生成文本外，还可以触发操作。

存在一个称为“工具”或“函数调用”的概念。它允许LLM在必要时调用一个或多个可用的工具，通常由开发者定义。工具可以是任何东西：网络搜索、调用外部 API 或执行特定的代码等。LLMs实际上不能调用工具；相反，它们在回复中表达调用特定工具的意图（而不是以纯文本形式回复）。作为开发者，我们应该执行这个工具并报告工具执行的结果。

例如，我们知道LLMs本身在数学方面并不擅长。如果你的用例涉及偶尔的数学计算，你可能想为LLM提供一个“数学工具”。通过在请求LLM时声明一个或多个工具，它就可以决定是否调用其中一个。给定一个数学问题和一组数学工具，LLM可能会决定为了正确回答问题，它应该首先调用提供的某个数学工具。

让我们看看这在实践中是如何工作的（带工具和不带工具的情况）：

  • 没有工具的示例消息交换：
Request:
- messages:
    - UserMessage:
        - text: What is the square root of 475695037565?

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

差不多，但并不正确。
  • 以下工具的示例消息交换：
@Tool("Sums 2 given numbers")
double sum(double a, double b) {
    return a + b;
}

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

如您所见，当LLM有权访问工具时，它可以在适当的时候调用其中一个。

这是一个非常强大的功能。在这个简单的例子中，我们提供了LLM原始数学工具，但想象一下，如果我们提供了例如 googleSearch 和 sendEmail 工具，以及一个查询“我的朋友想知道 AI 领域的最新新闻。请将摘要发送到 friend@email.com”，那么它可以使用 googleSearch 工具找到最新新闻，然后进
行总结，并通过 sendEmail 工具发送摘要。

注意：为了增加LLM正确调用工具并传递正确参数的机会，我们应该提供清晰且明确的：

  • name of the tool
    工具的名称
  • description of what the tool does and when it should be used
    工具的功能描述以及何时应该使用它
  • description of every tool parameter
    每个工具参数的描述

一个好的经验法则：如果人类能够理解工具的用途以及如何使用它，那么LLM很可能也能。

LLMs专门针对何时调用工具以及如何调用工具进行了微调。一些模型甚至可以同时调用多个工具，例如 OpenAI。

  • 请注意，并非所有模型都支持工具。
  • 请注意，工具/函数调用与 JSON 模式不同。

2 levels of abstraction (2 层抽象)

LangChain4j 为使用工具提供了两层抽象：

  • 低级，使用 ChatLanguageModel 和 ToolSpecification API
  • 高级，使用 AI 服务和 @Tool -注解的 Java 方法

Low Level Tool API 低级工具 API

在低级，你可以使用 ChatLanguageModel 的 chat(ChatRequest) 方法。类似的函数也存在于 StreamingChatLanguageModel 中。
创建 ChatRequest 时，你可以指定一个或多个 ToolSpecification 。
ToolSpecification 是一个包含工具所有信息的对象：

  • The name of the tool
    工具的 name
  • The description of the tool
    工具的描述
  • The parameters of the tool and their descriptions
    工具的 parameters 及其描述

建议尽可能提供关于工具的详细信息：一个清晰的名字、一个全面的描述以及每个参数的描述等。

创建 ToolSpecification 有两种方式：

  1. Manually 手动
ToolSpecification toolSpecification = ToolSpecification.builder()
    .name("getWeather")
    .description("Returns the weather forecast for a given city")
    .parameters(JsonObjectSchema.builder()
        .addStringProperty("city", "The city for which the weather forecast should be returned")
        .addEnumProperty("temperatureUnit", List.of("CELSIUS", "FAHRENHEIT"))
        .required("city") // the required properties should be specified explicitly
        .build())
    .build();

您可以在这里找到更多关于 JsonObjectSchema 的信息。
https://docs.langchain4j.dev/tutorials/structured-outputs/#jsonobjectschema

  1. Using helper methods: 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);

一旦你有了 List ，你可以调用模型：

ChatRequest request = ChatRequest.builder()
    .messages(UserMessage.from("What will the weather be like in London tomorrow?"))
    .toolSpecifications(toolSpecifications)
    .build();
ChatResponse response = model.chat(request);
AiMessage aiMessage = response.aiMessage();

如果LLM决定调用工具，返回的 AiMessage 将包含在 toolExecutionRequests 字段中的数据。在这种情况下， AiMessage.hasToolExecutionRequests() 将返回 true 。根据LLM，它可以包含一个或多个 ToolExecutionRequest 对象（一些LLMs支持并行调用多个工具）。
每个占位符 ToolExecutionRequest 应包含：

  • The id of the tool call (some LLMs do not provide it)
    工具调用的占位符 id （某些LLMs不提供）
  • The name of the tool to be called, for example: getWeather
    要调用的工具的占位符 name ，例如： getWeather
  • The arguments, for example: { “city”: “London”, “temperatureUnit”: “CELSIUS” }
    占位符 arguments ，例如： { “city”: “London”, “temperatureUnit”: “CELSIUS” }

您需要手动使用来自 ToolExecutionRequest (s) 的信息执行工具(们)。

如果您想将工具执行的输出结果发送回 LLM，您需要创建一个 ToolExecutionResultMessage （每个 ToolExecutionRequest 一个）并将其与所有之前的消息一起发送：


String result = "It is expected to rain in London tomorrow.";
ToolExecutionResultMessage toolExecutionResultMessage = ToolExecutionResultMessage.from(toolExecutionRequest, result);
ChatRequest request2 = ChatRequest.builder()
        .messages(List.of(userMessage, aiMessage, toolExecutionResultMessage))
        .toolSpecifications(toolSpecifications)
        .build();
ChatResponse response2 = model.chat(request2);

High Level Tool API 高级工具 API

在高级抽象层面，您可以为任何 Java 方法添加 @Tool 注解，并在创建 AI 服务时指定它们。

AI 服务将自动将这些方法转换为 ToolSpecification ，并在与LLM的每次交互中包含它们。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。您可以在 DefaultToolExecutor 中找到实现细节。

几个工具示例：

@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();
}

Tool Method Limitations 工具方法的局限性

被 @Tool 注解的方法可以是静态的或非静态的

  • 可以是静态的或非静态的
  • 可具有任何可见性（公共、私有等）。

Tool Method Parameters 工具方法参数

使用 @Tool 注解的方法可以接受任意数量和类型的参数：

  • 基本类型： int ， double ，等等
  • 对象类型： String ， Integer ， Double ，等等
  • 自定义 POJOs（可以包含嵌套 POJOs）
  • 枚举
  • List / Set 其中 T 是上述提到的类型之一
  • Map<K,V> （您需要在参数描述中手动指定 K 和 V 的类型，并用 @P 表示）
  • 支持不带参数的方法。
Required and Optional 必需和可选

默认情况下，所有工具方法参数都被视为必需。这意味着LLM将必须为这样的参数提供一个值。可以通过使用 @P(required = false) 来使参数变为可选：

@Tool
void getTemperature(String location, @P(required = false) Unit unit) {
    ...
}

复杂参数的字段和子字段默认也被视为必需。您可以通过使用 @JsonProperty(required = false) 来使字段变为可选：
record User(String name, @JsonProperty(required = false) String email) {}

@Tool
void add(User user) {
…
}
请注意，当与结构化输出一起使用时，所有字段和子字段默认为可选。

递归参数（例如，具有 Set children 字段的 Person 类）目前仅由 OpenAI 支持。

Tool Method Return Types 工具方法返回类型

使用 @Tool 注解的方法可以返回任何类型，包括 void 。如果方法具有 void 返回类型，且方法返回成功，则向 LLM 发送 “Success” 字符串。

如果方法有 String 返回类型，则返回值将原样发送到 LLM，不进行任何转换。

对于其他返回类型，返回值将在发送到 LLM 之前转换为 JSON 字符串。

Exception Handling 异常处理

如果一个被 @Tool 注解的方法抛出 Exception ，则 Exception （ e.getMessage() ）的消息将被发送到LLM，作为工具执行的结果。这允许LLM纠正其错误并重新尝试，如果它认为有必要的话。

@Tool

任何在构建 AI 服务时被 @Tool 注解并明确指定的 Java 方法都可以由LLM执行：

interface MathGenius {
    
    String ask(String question);
}

class Calculator {
    
    @Tool
    double add(int a, int b) {
        return a + b;
    }

    @Tool
    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.

当调用 ask 方法时，将发生 2 次与LLM的交互，如前文所述。在这两次交互之间，会自动调用 squareRoot 方法。

@Tool 注解有 2 个可选字段：

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

根据工具的不同，LLM 可能即使没有任何描述也能很好地理解（例如， add(a, b) 是显而易见的），但通常最好提供清晰且具有意义的名称和描述。这样，LLM 就有更多信息来决定是否调用给定的工具，以及如何调用。

@P

方法参数可以可选地用 @P 进行注解。

@P 注解有 2 个字段

  • value : 参数描述。必填字段。
  • required : 参数是否必须，默认为 true 。可选字段。

@Description

类和字段的描述可以使用 @Description 注解来指定：

@Description("Query to execute")
class Query {

  @Description("Fields to select")
  private List<String> select;

  @Description("Conditions to filter on")
  private List<Condition> where;
}

@Tool
Result executeQuery(Query query) {
  ...
}

请注意，在 enum 值上放置的 @Description 没有效果，并且不会包含在生成的 JSON 模式中：

enum Priority {

    @Description("Critical issues such as payment gateway failures or security breaches.") // this is ignored
    CRITICAL,
    
    @Description("High-priority issues like major feature malfunctions or widespread outages.") // this is ignored
    HIGH,
    
    @Description("Low-priority issues such as minor bugs or cosmetic problems.") // this is ignored
    LOW
}

@ToolMemoryId

如果您的 AI 服务方法有一个参数被 @MemoryId 注解，您还可以注解 @Tool 方法的一个参数为 @ToolMemoryId 。提供给 AI 服务方法的值将自动传递给 @Tool 方法。此功能在您有多个用户和/或每个用户有多个聊天/记忆时非常有用，可以在 @Tool 方法内部区分它们。

Accessing Executed Tools 访问已执行的工具

如果您希望在调用 AI 服务期间访问已执行的工具，您可以通过将返回类型包装在 Result 类中来轻松实现：

interface Assistant {

    Result<String> chat(String userMessage);
}

Result<String> result = assistant.chat("Cancel my booking 123-456");

String answer = result.content();
List<ToolExecution> toolExecutions = result.toolExecutions();

在流式模式下，您可以通过指定 onToolExecuted 回调来实现：

interface Assistant {

    TokenStream chat(String message);
}

TokenStream tokenStream = assistant.chat("Cancel my booking");

tokenStream
    .onToolExecuted((ToolExecution toolExecution) -> System.out.println(toolExecution))
    .onPartialResponse(...)
    .onCompleteResponse(...)
    .onError(...)
    .start();

Specifying Tools Programmatically 以编程方式指定工具

在使用 AI 服务时，工具也可以通过编程方式指定。这种方法提供了很大的灵活性，因为工具可以从数据库和配置文件等外部来源加载。

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("Returns booking details")
        .parameters(JsonObjectSchema.builder()
                .properties(Map.of(
                        "bookingNumber", JsonStringSchema.builder()
                                .description("Booking number in B-12345 format")
                                .build()
                ))
                .build())
        .build();

对于每个 ToolSpecification ，需要提供一个 ToolExecutor 实现，该实现将处理由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();
};

一旦我们有一个或多个（ ToolSpecification ， ToolExecutor ）对，我们就可以在创建 AI 服务时指定它们：

Assistant assistant = AiServices.builder(Assistant.class)
    .chatLanguageModel(chatLanguageModel)
    .tools(Map.of(toolSpecification, toolExecutor))
    .build();

Specifying Tools Dynamically 动态指定工具

当使用 AI 服务时，工具也可以在每次调用时动态指定。可以为每次调用 AI 服务配置一个 ToolProvider ，该 ToolProvider 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给LLM。 ToolProvider 接受一个包含 UserMessage 和聊天记忆 ID 的 ToolProviderRequest ，并返回一个包含工具的 ToolProviderResult ，这些工具以 Map 从 ToolSpecification 到 ToolExecutor 的形式存在。

下面是一个示例，说明如何在用户的消息包含“预订”一词时仅添加 get_booking_details 工具：

ToolProvider toolProvider = (toolProviderRequest) -> {
    if (toolProviderRequest.userMessage().singleText().contains("booking")) {
        ToolSpecification toolSpecification = ToolSpecification.builder()
            .name("get_booking_details")
            .description("Returns booking details")
            .parameters(JsonObjectSchema.builder()
                .addStringProperty("bookingNumber")
                .build())
            .build();
        return ToolProviderResult.builder()
            .add(toolSpecification, toolExecutor)
            .build();
    } else {
        return null;
    }
};

Assistant assistant = AiServices.builder(Assistant.class)
    .chatLanguageModel(model)
    .toolProvider(toolProvider)
    .build();

人工智能服务可以在同一调用中同时使用程序性和动态指定的工具。

Tools Hallucination Strategy 工具幻觉策略

可能会出现LLM在工具调用上出现幻觉，换句话说，就是请求使用一个不存在的工具名称。在这种情况下，LangChain4j 默认会抛出一个异常来报告问题，但可以配置不同的行为，为 AI 服务提供在这种情况下使用的策略。

该策略是实现一个 Function<ToolExecutionRequest, ToolExecutionResultMessage> 的实例，定义了对于包含请求调用一个不可用工具的 ToolExecutionRequest 应该产生什么样的 ToolExecutionResultMessage 作为结果。例如，可以配置 AI 服务使用一个策略，向LLM返回一个可能促使它重试不同工具调用的响应，知道之前所需的工具不存在，如下例所示：

AssistantHallucinatedTool assistant = AiServices.builder(AssistantHallucinatedTool.class)
        .chatLanguageModel(chatLanguageModel)
        .tools(new HelloWorld())
        .hallucinatedToolNameStrategy(toolExecutionRequest -> ToolExecutionResultMessage.from(
                toolExecutionRequest, "Error: there is no tool called " + toolExecutionRequest.name()))
        .build();

Model Context Protocol (MCP) 模型上下文协议（MCP）

您也可以从 MCP 服务器导入工具。更多相关信息请在此处查看。

Related Tutorials 相关教程

来自“罐子边的传说”（Ken Kousen）关于工具的精彩指南

  • https://www.youtube.com/watch?v=cjI_6Siry-s
  • https://www.youtube.com/@talesfromthejarside

Examples 示例

  • https://github.com/langchain4j/langchain4j-examples/blob/main/other-examples/src/main/java/ServiceWithToolsExample.java
  • https://github.com/langchain4j/langchain4j-examples/blob/main/other-examples/src/main/java/ServiceWithDynamicToolsExample.java
# 人工智能 # java
Logo
魔乐社区

魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。

更多推荐

cover

全家桶集齐！Qwen3.5四款小模型上线魔乐社区，附昇腾全套实践教程

avatar 魔乐社区

Pont - 搭建前后端之桥：高效、灵活的接口管理工具

Pont 是一款强大的数据服务层解决方案，它能够帮助开发者快速搭建前后端之间的桥梁，实现接口的高效管理和代码自动生成。无论是新手还是有经验的开发者，都能通过 Pont 轻松处理接口文档、生成类型安全的 API 代码，从而显著提升开发效率。[![Pont 工具标志](https://raw.gitcode.com/gh_mirrors/po/pont/raw/3f1b7d4bbba3fd2dda

avatar 魔乐社区
cover

魔乐社区月度精选（26年2月）

avatar 魔乐社区