工具调用

工具调用（也称为函数调用）使 LLM 能够访问外部工具。LLM 并不直接调用工具，而是建议要调用的工具。用户随后单独调用该工具，并将结果提供给 LLM。最后，LLM 将响应格式化为对用户原始问题的答案。

OhMyGPT 在模型和提供者之间标准化了工具调用接口。

有关工具调用在 OpenAI SDK 中如何工作的入门，请参阅本文，或者如果您更喜欢从完整的端到端示例中学习，请继续阅读。

工具调用示例

这里是 Python 代码，它使 LLMs 能够调用外部 API——在这种情况下是古腾堡计划，以搜索书籍。

import json, requests
from openai import OpenAI

OMG_API_KEY = f"<OMG_API_KEY>"

# You can use any model that supports tool calling
MODEL = "gemini-2.0-flash-001"

openai_client = OpenAI(
  base_url="https://api.ohmygpt.com/v1",
  api_key=OMG_API_KEY,
)

task = "What are the titles of some James Joyce books?"

messages = [
  {
    "role": "system",
    "content": "You are a helpful assistant."
  },
  {
    "role": "user",
    "content": task,
  }
]

定义工具

接下来，我们定义要调用的工具。请记住，该工具将由 LLM 请求，但我们在这里编写的代码最终负责执行调用并将结果返回给 LLM。

def search_gutenberg_books(search_terms):
    search_query = " ".join(search_terms)
    url = "https://gutendex.com/books"
    response = requests.get(url, params={"search": search_query})

    simplified_results = []
    for book in response.json().get("results", []):
        simplified_results.append({
            "id": book.get("id"),
            "title": book.get("title"),
            "authors": book.get("authors")
        })

    return simplified_results

tools = [
  {
    "type": "function",
    "function": {
      "name": "search_gutenberg_books",
      "description": "Search for books in the Project Gutenberg library based on specified search terms",
      "parameters": {
        "type": "object",
        "properties": {
          "search_terms": {
            "type": "array",
            "items": {
              "type": "string"
            },
            "description": "List of search terms to find books in the Gutenberg library (e.g. ['dickens', 'great'] to search for books by Dickens with 'great' in the title)"
          }
        },
        "required": ["search_terms"]
      }
    }
  }
]

TOOL_MAPPING = {
    "search_gutenberg_books": search_gutenberg_books
}

请注意，“tool”只是一个普通的函数。然后我们编写一个与 OpenAI 函数调用参数兼容的 JSON “规范”。我们将把该规范传递给 LLM，以便它知道这个工具是可用的以及如何使用它。它将在需要时请求该工具，以及任何参数。然后我们将在本地处理工具调用，进行函数调用，并将结果返回给 LLM。

工具使用和工具结果

让我们向模型发出第一个调用：

request_1 = {
    "model": gemini-2.0-flash-001,
    "tools": tools,
    "messages": messages
}

response_1 = openai_client.chat.completions.create(**request_1).message

LLM 以 tool_calls 的完成原因和一个 tool_calls 数组进行响应。在通用的 LLM 响应处理程序中，您会想在处理工具调用之前检查完成原因，但在这里我们将假设情况是这样的。让我们继续，处理工具调用：

＃ 附加对消息数组的响应，以便LLM具有完整的上下文
＃ 很容易忘记此步骤！
messages.append(response_1)

＃ 现在我们处理请求的工具调用，并使用我们的书籍查找工具
for tool_call in response_1.tool_calls:
    '''
    In this case we only provided one tool, so we know what function to call.
    When providing multiple tools, you can inspect `tool_call.function.name`
    to figure out what function you need to call locally.
    '''
    tool_name = tool_call.function.name
    tool_args = json.loads(tool_call.function.arguments)
    tool_response = TOOL_MAPPING[tool_name](**tool_args)
    messages.append({
      "role": "tool",
      "tool_call_id": tool_call.id,
      "name": tool_name,
      "content": json.dumps(tool_response),
    })

消息数组现在包含：

我们的原始请求
LLM 的响应（包含工具调用请求）
工具调用的结果（从古腾堡项目 API 返回的 json 对象）

现在，我们可以进行第二次调用，并希望获得我们的结果！

request_2 = {
  "model": MODEL,
  "messages": messages,
  "tools": tools
}

response_2 = openai_client.chat.completions.create(**request_2)

print(response_2.choices[0].message.content)

输出将类似于：

Here are some books by James Joyce:

*   *Ulysses*
*   *Dubliners*
*   *A Portrait of the Artist as a Young Man*
*   *Chamber Music*
*   *Exiles: A Play in Three Acts*

我们做到了！我们成功地在提示中使用了一个工具。

工具调用

工具调用示例

定义工具

工具使用和工具结果

目录