ChatModel 使用函数调用的技巧与流程

01. bind()与bind_tools()

前文中，我们了解过在 OpenAI 的 GPT 模型如何添加工具的描述参数，即在实例化的时候传递多一个 tools 参数，如下：

completion = client.chat.completions.create(
  model="gpt-3.5-turbo-16k",
  messages=messages,
  tools=tools,
  tool_choice="auto"
)

该流程有没有很熟悉，其实除了上面的这些参数，我们还可以传递 temperature 温度参数，这些参数本质上都是模型生成内容时传递的 运行时参数 ，所以在 LangChain 中，我们可以使用 convert_to_openai_tool 将自定义工具转换成符合 GPT 模型的参数格式，使用 .bind() 函数来传递对应的 tools 和 tool_choice ，从而完成对大语言模型函数的绑定。

运行流程如下：

不过由于上述的步骤太过于常见，所以 LangChain 团队单独对支持 函数调用 的大语言模型添加了 .bind_tools() 函数，可以快捷地完成此操作，例如 GPT 模型的 .bind_tools() 函数的核心代码如下：

def bind_tools(
    self,
    tools: Sequence[Union[Dict[str, Any], Type[BaseModel], Callable, BaseTool]],
    *,
    tool_choice: Optional[
        Union[dict, str, Literal["auto", "none", "required", "any"], bool]
    ] = None,
    **kwargs: Any,
) -> Runnable[LanguageModelInput, BaseMessage]:

    formatted_tools = [convert_to_openai_tool(tool) for tool in tools]
    if tool_choice:
        if isinstance(tool_choice, str):
            
            if tool_choice not in ("auto", "none", "any", "required"):
                tool_choice = {
                    "type": "function",
                    "function": {"name": tool_choice},
                }
            
            
            if tool_choice == "any":
                tool_choice = "required"
        elif isinstance(tool_choice, bool):
            tool_choice = "required"
        elif isinstance(tool_choice, dict):
            tool_names = [
                formatted_tool["function"]["name"]
                for formatted_tool in formatted_tools
            ]
            if not any(
                tool_name == tool_choice["function"]["name"]
                for tool_name in tool_names
            ):
                raise ValueError(
                    f"Tool choice {tool_choice} was specified, but the only "
                    f"provided tools were {tool_names}."
                )
        else:
            raise ValueError(
                f"Unrecognized tool_choice type. Expected str, bool or dict. "
                f"Received: {tool_choice}"
            )
        kwargs["tool_choice"] = tool_choice
    return super().bind(tools=formatted_tools, **kwargs)

02. LLM绑定天气预报与谷歌实时搜索

例如要将前两节课实现的 天气预报 与 谷歌实时搜索 接入到 GPT 模型中，其实只需要创建好自定义工具后，将自定义工具组装成列表，然后调用 .bind_tools() 函数即可完成 LLM 对函数的绑定，当大语言模型返回的内容携带 函数调用参数 时，可以通过 .tool_calls 属性来获取对应的信息。

例如：将 GPT 模型绑定 天气预报 与 谷歌实时 ，并且当执行工具调用时，将 工具结果 附加到历史消息列表中，再次传递给大语言模型，让其生成对应的内容，完整代码如下：

import json
import os
from typing import Type, Any

import dotenv
import requests
from langchain_community.tools import GoogleSerperRun
from langchain_community.utilities import GoogleSerperAPIWrapper
from langchain_core.messages import ToolMessage
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.pydantic_v1 import Field, BaseModel
from langchain_core.runnables import RunnablePassthrough
from langchain_core.tools import BaseTool
from langchain_openai import ChatOpenAI

dotenv.load_dotenv()


class GaodeWeatherArgsSchema(BaseModel):
    city: str = Field(description="需要查询天气预报的目标城市，例如：广州")


class GoogleSerperArgsSchema(BaseModel):
    query: str = Field(description="执行谷歌搜索的查询语句")


class GaodeWeatherTool(BaseTool):
    """根据传入的城市名查询天气"""
    name = "gaode_weather"
    description = "当你想询问天气或与天气相关的问题时的工具。"
    args_schema: Type[BaseModel] = GaodeWeatherArgsSchema

    def _run(self, *args: Any, **kwargs: Any) -> str:
        """运行工具获取对应城市的天气预报"""
        try:
            
            gaode_api_key = os.getenv("GAODE_API_KEY")
            if not gaode_api_key:
                return f"高德开放平台API秘钥未配置"

            
            city = kwargs.get("city", "")
            session = requests.session()
            api_domain = "https://restapi.amap.com/v3"
            city_response = session.request(
                method="GET",
                url=f"{api_domain}/config/district?keywords={city}&subdistrict=0&extensions=all&key={gaode_api_key}",
                headers={"Content-Type": "application/json; charset=utf-8"},
            )
            city_response.raise_for_status()
            city_data = city_response.json()

            
            if city_data.get("info") == "OK":
                if len(city_data.get("districts")) > 0:
                    ad_code = city_data["districts"][0]["adcode"]

                    weather_response = session.request(
                        method="GET",
                        url=f"{api_domain}/weather/weatherInfo?city={ad_code}&extensions=all&key={gaode_api_key}&output=json",
                        headers={"Content-Type": "application/json; charset=utf-8"},
                    )
                    weather_response.raise_for_status()
                    weather_data = weather_response.json()
                    if weather_data.get("info") == "OK":
                        return json.dumps(weather_data)

            session.close()
            return f"获取{kwargs.get('city')}天气预报信息失败"
            
        except Exception as e:
            return f"获取{kwargs.get('city')}天气预报信息失败"



gaode_weather = GaodeWeatherTool()
google_serper = GoogleSerperRun(
    name="google_serper",
    description=(
        "一个低成本的谷歌搜索API。"
        "当你需要回答有关时事的问题时，可以调用该工具。"
        "该工具的输入是搜索查询语句。"
    ),
    args_schema=GoogleSerperArgsSchema,
    api_wrapper=GoogleSerperAPIWrapper(),
)
tool_dict = {
    gaode_weather.name: gaode_weather,
    google_serper.name: google_serper,
}
tools = [tool for tool in tool_dict.values()]


prompt = ChatPromptTemplate.from_messages([
    ("system", "你是由OpenAI开发的聊天机器人，可以帮助用户回答问题，必要时刻请调用工具帮助用户解答"),
    ("human", "{query}"),
])


llm = ChatOpenAI(model="gpt-3.5-turbo-16k", temperature=0)
llm_with_tool = llm.bind_tools(tools=tools)


chain = {"query": RunnablePassthrough()} | prompt | llm_with_tool


query = "广州现在天气怎样，有什么适合穿的衣服呢"
resp = chain.invoke(query)
tool_calls = resp.tool_calls


if len(tool_calls) <= 0:
    print("生成内容:", resp.content)
else:
    
    messages = prompt.invoke(query).to_messages()
    messages.append(resp)

    
    for tool_call in tool_calls:
        tool = tool_dict.get(tool_call.get("name"))
        print("正在执行工具: ", tool.name)
        id = tool_call.get("id")
        content = tool.invoke(tool_call.get("args"))
        print("工具输出: ", content)
        messages.append(ToolMessage(
            content=content,
            tool_call_id=id,
        ))
    print("输出内容: ", llm.invoke(messages))

输出内容：

正在执行工具:  gaode_weather
工具输出:  {"status": "1", "count": "1", "info": "OK", "infocode": "10000", "forecasts": [{"city": "\u5e7f\u5dde\u5e02", "adcode": "440100", "province": "\u5e7f\u4e1c", "reporttime": "2024-08-12 18:30:27", "casts": [{"date": "2024-08-12", "week": "1", "dayweather": "\u4e2d\u96e8", "nightweather": "\u4e2d\u96e8", "daytemp": "34", "nighttemp": "25", "daywind": "\u5317", "nightwind": "\u5317", "daypower": "1-3", "nightpower": "1-3", "daytemp_float": "34.0", "nighttemp_float": "25.0"}, {"date": "2024-08-13", "week": "2", "dayweather": "\u4e2d\u96e8", "nightweather": "\u4e2d\u96e8", "daytemp": "33", "nighttemp": "26", "daywind": "\u5317", "nightwind": "\u5317", "daypower": "1-3", "nightpower": "1-3", "daytemp_float": "33.0", "nighttemp_float": "26.0"}, {"date": "2024-08-14", "week": "3", "dayweather": "\u4e2d\u96e8", "nightweather": "\u5927\u96e8", "daytemp": "33", "nighttemp": "25", "daywind": "\u5317", "nightwind": "\u5317", "daypower": "1-3", "nightpower": "1-3", "daytemp_float": "33.0", "nighttemp_float": "25.0"}, {"date": "2024-08-15", "week": "4", "dayweather": "\u5927\u96e8", "nightweather": "\u5927\u96e8", "daytemp": "32", "nighttemp": "25", "daywind": "\u5317", "nightwind": "\u5317", "daypower": "1-3", "nightpower": "1-3", "daytemp_float": "32.0", "nighttemp_float": "25.0"}]}]}
输出内容:  content='广州目前的天气情况是中雨，白天气温为34摄氏度，夜间气温为25摄氏度。根据天气情况，建议您穿着轻薄透气的衣物，同时带上一把雨伞以备不时之需。请注意保持身体健康，避免长时间暴露在雨中。' response_metadata={'token_usage': {'completion_tokens': 121, 'prompt_tokens': 665, 'total_tokens': 786}, 'model_name': 'gpt-3.5-turbo-16k-0613', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None} id='run-0403f348-e59d-4ca7-9ad1-951a585d2010-0' usage_metadata={'input_tokens': 665, 'output_tokens': 121, 'total_tokens': 786}

掌握到这里，其实各位同学已经在有意无意之间构建出了第一个用程序实现的 Agent ，这个 Agent 拥有 实时信息搜索 和 天气预报查询 功能，但是有没有发现一个问题，原本我们使用 LECL 表达式构建的链应用是非常优雅的，但是加入了 判断 、 循环 、 工具调用 等模块后，维护起来也相对吃力，不过这个问题很快就会解决，在 LangChain 中针对 Agent 应用的创建，目前有两种封装好的策略，一种使用传统 Agent，另外一种使用 LangGraph。

最新版 LangChain 用法提示

• 新版 LangChain 更推荐用 LCEL、Runnable、ChatModel.bind_tools()、结构化输出和 LangGraph 来组织复杂链路；老式 Chain、部分 AgentExecutor 写法可以读懂，但新项目应优先选择更清晰的图或 Runnable 编排。

• 工具调用相关代码要区分两层：模型是否原生支持 tool/function calling，以及业务侧如何定义工具 schema、参数校验、错误兜底和观测日志。

• 如果示例中的导入路径和你当前安装版本不同，优先查当前版本包内导出位置；常见迁移方向是从 langchain 拆到 langchain-core、langchain-community、langchain-openai、langgraph 等包。

拓展

• 工具或插件不要只看能不能调通，更要看是否可观测、可限流、可重试、可审计。联网类工具还要处理超时、空结果、搜索噪声和结果时效性。

• Agent 场景里，Prompt 只是调度策略的一部分；工具描述、参数 schema、历史状态、错误反馈、停止条件和人工介入点同样会影响最终稳定性。

常见问题

• 为什么模型没有调用工具？常见原因是工具描述不清晰、参数 schema 过宽或过窄、用户问题不需要工具、模型本身不支持工具调用，或者工具绑定位置不对。

• 为什么工具调用后回答仍然不准？先看工具返回是否正确，再看工具结果是否被放回模型上下文，最后检查输出解析、历史消息和异常兜底是否覆盖了真实错误。

面试题

• 解释函数调用、工具调用和 Agent 的区别。

• LangChain 中 tool schema 的作用是什么？为什么参数校验对生产环境很重要？

• ReACT Agent 和 tool-calling Agent 的核心差异是什么？分别适合什么场景？

• LangGraph 相比 LCEL 更适合解决哪些复杂编排问题？

生产问题排查

问题	常见原因	处理方式
工具没有被调用	工具描述弱、绑定失败、模型不支持	打印绑定后的模型配置，补充工具描述，换用支持工具调用的模型
参数格式错误	schema 设计不清晰，模型生成字段不稳定	使用 Pydantic/JSON Schema 校验，失败后把错误反馈给模型重试
联网结果不可用	搜索为空、接口超时、命中低质量页面	增加超时、重试、结果过滤、来源白名单和降级回答
Agent 循环不停止	缺少终止条件或工具返回被误判	设置最大迭代次数，记录每轮 thought/action/observation，增加停止规则
线上难以复现	缺少输入、工具请求和模型响应日志	给每次调用加 trace id，记录工具入参、出参、耗时和异常