Function Calling，让模型学会调用工具

用户提问
  → 模型判断：需要调用 get_weather，参数 city="杭州"
  → 程序执行 get_weather("杭州")，得到天气数据
  → 程序把数据交回模型
  → 模型根据数据组织回答

from langchain_core.tools import tool

@tool(parse_docstring=True)
def calculator(expression: str) -> str:
    """计算一个数学表达式并返回结果。

    Args:
        expression: Python 语法的数学表达式，例如 "3 * (4 + 5)" 或 "2 ** 10"。
    """
    # 使用 python 内置 eval 函数实现计算效果
    return str(eval(expression))

print(calculator.name)
# calculator
print(calculator.description)
# 计算一个数学表达式并返回结果。
print(calculator.args)
# {'expression': {'description': 'Python 语法的数学表达式，例如 "3 * (4 + 5)" 或 "2 ** 10"。', 'title': 'Expression', 'type': 'string'}}

from langchain_core.utils.function_calling import convert_to_openai_tool
print(convert_to_openai_tool(calculator))

{
  "type": "function",
  "function": {
    "name": "calculator",
    "description": "计算一个数学表达式并返回结果。",
    "parameters": {
      "type": "object",
      "properties": {
        "expression": {
          "type": "string",
          "description": "Python 语法的数学表达式，例如 \"3 * (4 + 5)\" 或 \"2 ** 10\"。"
        }
      },
      "required": ["expression"]
    }
  }
}

import random

@tool(parse_docstring=True)
def get_weather(city: str) -> str:
    """查询某个城市今天的天气。

    Args:
        city: 中文城市名，例如 "杭州"。
    """
    # 这里采用模拟的方式随机返回结果
    weather = random.choice(["晴", "多云", "阴", "小雨"])
    temperature = random.randint(15, 30)
    return f"{city}今天{weather}，气温 {temperature} 摄氏度"

TOOLS = [calculator, get_weather]
TOOLS_BY_NAME = {t.name: t for t in TOOLS}

llm = ChatOpenAI(model=MODEL, api_key=API_KEY, base_url=BASE_URL)
llm_with_tools = llm.bind_tools(TOOLS)

response = llm_with_tools.invoke([HumanMessage("杭州今天天气怎么样")])
print(response.content)
print(response.tool_calls)

[{'name': 'get_weather', 'args': {'city': '杭州'}, 'id': 'call_894a633aa31346abb03aef52', 'type': 'tool_call'}]

{
  "id": "call_894a633aa31346abb03aef52",
  "type": "function",
  "function": {"name": "get_weather", "arguments": "{\"city\": \"杭州\"}"}
}

call = response.tool_calls[0]
print(call["args"])            # {'city': '杭州'}
print(type(call["args"]))      # <class 'dict'>

get_weather.func(**call["args"])    # 最直白：相当于 get_weather(city="杭州")，返回字符串
get_weather.invoke(call["args"])    # 先按类型注解校验参数，再调用，返回字符串
get_weather.invoke(call)            # 传整个 tool_call：校验、调用，并包装成 ToolMessage

result = TOOLS_BY_NAME[call["name"]].invoke(call)
print(type(result).__name__, result.tool_call_id, result.content)

ToolMessage call_894a633aa31346abb03aef52 杭州今天阴，气温 22 摄氏度

SystemMessage   你是一个高级的助手……
HumanMessage    杭州今天天气怎么样
AIMessage       （content 为空，tool_calls 要求调用 get_weather）
ToolMessage     杭州今天多云，气温 24 摄氏度
AIMessage       杭州今天多云，气温 24 摄氏度，挺舒服的。

# 第一次调用：模型决定直接回答，还是要求调用工具
response = llm_with_tools.invoke(messages)

if response.tool_calls:
    messages.append(response)
    for call in response.tool_calls:
        print(f"[调用工具] {call['name']}({call['args']})")
        result = TOOLS_BY_NAME[call["name"]].invoke(call)
        print(f"[工具结果] {result.content}")
        messages.append(result)
    # 第二次调用：模型拿着工具结果组织最终回答
    response = llm_with_tools.invoke(messages)

print(response.content)

try:
    result = TOOLS_BY_NAME[call["name"]].invoke(call)
except Exception as exc:
    # 工具名不存在、参数错误、计算出错都会到这里，错误也要交回给模型
    result = ToolMessage(content=f"工具执行失败：{exc}", tool_call_id=call["id"], status="error")

import random

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, ToolMessage
from langchain_core.tools import tool

# 填入第一节获取的sk开头的API KEY
API_KEY = "sk-xxxxx•••••••••••••••••••"
# 如果是DeepSeek，切换为 https://api.deepseek.com
BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
# qwen可选 qwen-plus, qwen3.7-plus 等；deepseek可选 deepseek-chat
MODEL = "qwen3.7-plus"


@tool(parse_docstring=True)
def calculator(expression: str) -> str:
    """计算一个数学表达式并返回结果。

    Args:
        expression: Python 语法的数学表达式，例如 "3 * (4 + 5)" 或 "2 ** 10"。
    """
    # 使用 python 内置 eval 函数实现计算效果
    return str(eval(expression))


@tool(parse_docstring=True)
def get_weather(city: str) -> str:
    """查询某个城市今天的天气。

    Args:
        city: 中文城市名，例如 "杭州"。
    """
    # 这里采用模拟的方式随机返回结果
    weather = random.choice(["晴", "多云", "阴", "小雨"])
    temperature = random.randint(15, 30)
    return f"{city}今天{weather}，气温 {temperature} 摄氏度"


TOOLS = [calculator, get_weather]
TOOLS_BY_NAME = {t.name: t for t in TOOLS}

llm = ChatOpenAI(model=MODEL, api_key=API_KEY, base_url=BASE_URL)
# 把工具的名称、描述和参数结构告诉模型
llm_with_tools = llm.bind_tools(TOOLS)

messages = [
    SystemMessage("你是一个高级的助手，需要友善地回答用户的问题。需要计算或查天气时请使用工具，不要自己猜。"),
    HumanMessage(input("输入以获取回答：")),
]

# 第一次调用：模型决定直接回答，还是要求调用工具
response = llm_with_tools.invoke(messages)

if response.tool_calls:
    # 要求调用工具的这条 AIMessage 也要放进对话，后面的 ToolMessage 才能和它对应
    messages.append(response)
    # 模型可能一次要求调用多个工具，逐个执行并把结果交回去
    for call in response.tool_calls:
        print(f"[调用工具] {call['name']}({call['args']})")
        try:
            result = TOOLS_BY_NAME[call["name"]].invoke(call)
        except Exception as exc:
            # 工具名不存在、参数错误、计算出错都会到这里，错误也要交回给模型
            result = ToolMessage(content=f"工具执行失败：{exc}", tool_call_id=call["id"], status="error")
        print(f"[工具结果] {result.content}")
        messages.append(result)
    # 第二次调用：模型拿着工具结果组织最终回答
    response = llm_with_tools.invoke(messages)

print(response.content)

输入以获取回答：杭州和北京今天哪个更暖和？
[调用工具] get_weather({'city': '杭州'})
[工具结果] 杭州今天晴，气温 23 摄氏度
[调用工具] get_weather({'city': '北京'})
[工具结果] 北京今天小雨，气温 29 摄氏度
根据今天的天气情况：

- **杭州**：晴，气温 **23°C**
- **北京**：小雨，气温 **29°C**

所以今天**北京更暖和**，比杭州高了 6°C。不过北京在下小雨，出门记得带伞哦！🌂

输入以获取回答：2 的 20 次方是多少
[调用工具] calculator({'expression': '2 ** 20'})
[工具结果] 1048576
2 的 20 次方是 **1,048,576**（一百零四万八千五百七十六）。

输入以获取回答：你好，你能做什么？
你好！很高兴为你服务。我是一个高级智能助手，可以帮你处理各种各样的任务。具体来说，我可以为你做以下事情：

1. **查询天气**：你可以告诉我一个城市的名字，我能帮你查询该城市今天的天气情况。
2. **数学计算**：如果你有任何数学计算需求，只需提供算式，我就能帮你准确得出结果。
3. **日常问答与聊天**：无论是解答生活常识、科学知识，还是单纯想聊聊天，我都可以陪你。
4. **文本创作与处理**：我可以帮你写文章、邮件、总结报告，或者进行多语言翻译。
5. **代码与逻辑分析**：我可以帮你编写、解释或调试代码，也能协助进行逻辑推理和数据分析。

请问今天有什么我可以帮你的吗？比如想查一下某个城市的天气，或者算一道数学题？随时告诉我！