news 2026/9/3 4:56:09

经典Agent架构实战之工具使用 (Tool Use)

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
经典Agent架构实战之工具使用 (Tool Use)


欢迎关注公众号:AI开发的后端厨师,知乎:巴塞罗那的风
及时获取更新内容,每周更新一个经典Agent架构

介绍

工具使用架构是连接大型语言模型(LLM)推理能力与真实、动态世界的 桥梁。它赋予智能体查询 API、搜索数据库和访问实时信息的能力,从而克服了 LLM 知识的静态局限性。

定义

工具使用 架构为 LLM 驱动的智能体配备了调用外部函数或 API(即 “工具”)的能力。智能体能够自主判断用户查询是否需要外部信息,并决定调用哪个工具来获取所需数据。

工作流程

接收查询 (Receive Query): 智能体接收用户的请求。
决策 (Decision): 智能体分析查询和可用工具,判断是否需要工具。
行动 (Action): 如果需要,智能体格式化对工具的调用(例如,带正确参数的特定函数)。
观察 (Observation): 系统执行工具调用,并将结果(“观察结果”)返回给智能体。
合成 (Synthesis): 智能体将工具的输出整合到其推理过程中,生成一个最终的、有事实依据 的答案。

和react的区别

大家都是要调工具,都是要总结合成,二者的区别在哪?tool use架构是只调用一次工具,不需要把调用的结果再交给模型进行下一步动作的思考,换句话说就是tool use适合一锤子买卖或者是普通的work flow;react适合更复杂问题的解决

代码

本文章是对这篇公众号文章的复刻
完整代码已上传github:地址

核心代码解释

prompt

funcDraftCodeTemplate()prompt.DefaultChatTemplate{systemTpl:=` 角色:你是一个精于解决用户问题的问题解答师。 任务:根据用户的需求,回答问题,必要时使用提供给你的工具进行问题回答。 要求:如果你已知了工具的查询结果,则无需继续调用工具,而应该结果整合进最终的回答中,确保回答的准确性和完整性。 `chatTpl:=prompt.FromMessages(schema.FString,schema.SystemMessage(systemTpl),schema.UserMessage("{user_query}"),)return*chatTpl}

告诉模型职责,限制仅调用一次工具,不过这里更应在使用场景上进行限制

编排部分

typestatestruct{Messages[]*schema.Message}funcGetToolUseRunnable()(compose.Runnable[map[string]any,*schema.Message],error){sg:=compose.NewGraph[map[string]any,*schema.Message](compose.WithGenLocalState(func(ctx context.Context)*state{return&state{Messages:make([]*schema.Message,0)}}))ctx:=context.Background()model,err:=GetModel()iferr!=nil{returnnil,err}tools:=GetBaiDuMapTool(ctx,[]string{MapServer})toolNode,err:=compose.NewToolNode(ctx,&compose.ToolsNodeConfig{Tools:tools,})iferr!=nil{returnnil,err}toolsInfo,err:=genToolInfos(ctx,tools)iferr!=nil{returnnil,err}model,err=model.WithTools(toolsInfo)iferr!=nil{returnnil,err}modelPreHandle:=func(ctx context.Context,input[]*schema.Message,state*state)([]*schema.Message,error){state.Messages=append(state.Messages,input...)returnstate.Messages,nil}toolsNodePreHandle:=func(ctx context.Context,input*schema.Message,state*state)(*schema.Message,error){ifinput==nil{returnstate.Messages[len(state.Messages)-1],nil// used for rerun interrupt resume}state.Messages=append(state.Messages,input)returninput,nil}makeAnswerTemplate:=DraftCodeTemplate()sg.AddChatTemplateNode("MakeAnswerTemplate",&makeAnswerTemplate,compose.WithNodeName("MakeAnswerTemplate"))sg.AddChatModelNode("MakeAnswerModel",model,compose.WithNodeName("MakeAnswerModel"),compose.WithStatePreHandler(modelPreHandle))sg.AddToolsNode("ToolsNode",toolNode,compose.WithNodeName("ToolsNode"),compose.WithStatePreHandler(toolsNodePreHandle))sg.AddChatModelNode("Synthesis",model,compose.WithNodeName("Synthesis"),compose.WithStatePreHandler(modelPreHandle))sg.AddEdge(compose.START,"MakeAnswerTemplate")sg.AddEdge("MakeAnswerTemplate","MakeAnswerModel")sg.AddEdge("MakeAnswerModel","ToolsNode")sg.AddEdge("ToolsNode","Synthesis")sg.AddEdge("Synthesis",compose.END)reflectionRunnable,err:=sg.Compile(context.Background())returnreflectionRunnable,err}

最终实现了如下的graph

MakeAnswerTemplate ->MakeAnswerModel ->ToolsNode ->Synthesis

handler的作用

可以看到在调用模型及工具之前写了两个handler,作用都是追加对话历史,如果没有这两个handler会出现什么问题呢?
工具调用完整,进行总结的时候 模型仅仅拿到tool call的结果,但是他不知道自己是谁,不知道自己该干什么
所以这里通过两个prehandler对state进行修改,实现对话记录在全节点上的透传

小坑

  1. 没有prehandler会导致最后输出的结果很奇怪

  2. 调用WithTools方法进行工具和模型的绑定时,这个方法会返回新的model,注意看官方的函数说明
    // WithTools returns a new ToolCallingChatModel instance with the specified tools bound. // This method does not modify the current instance, making it safer for concurrent use.

    运行结果

    工具调用结果

    最终结果

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/9/2 22:24:38

36、编程中的算术运算、数组及相关操作

编程中的算术运算、数组及相关操作 在编程领域,尤其是在 shell 脚本编程中,对数字和字符串的操作是非常基础且重要的部分。下面我们将深入探讨这些操作,包括算术运算符的使用、位运算、逻辑运算,以及数组这种数据结构的相关知识。 1. 算术运算符 在 shell 脚本中, ++ …

作者头像 李华
网站建设 2026/9/2 23:06:20

验证码识别系统

验证码检测系统 本文档旨在对验证码检测系统进行全方位的技术剖析。内容涵盖从数据采集与处理、YOLOv8 算法原理与训练细节、数据库深度设计,到前后端分离系统的架构与功能实现。 1. 数据集 (Dataset) 本项目的核心任务是实现对复杂验证码的精准识别。识别目标覆盖了…

作者头像 李华
网站建设 2026/9/2 22:50:37

Clarity AI超分架构解析:构建高效智能的图像增强方案

Clarity AI超分架构解析:构建高效智能的图像增强方案 【免费下载链接】clarity-upscaler 项目地址: https://gitcode.com/GitHub_Trending/cl/clarity-upscaler 在数字内容创作和AI图像处理领域,高分辨率图像生成技术正成为关键竞争力。Clarity …

作者头像 李华
网站建设 2026/9/2 22:29:47

下一场测试革命:技术驱动还是价值回归?

十字路口的测试行业 2025年的测试领域正经历前所未有的范式迁移。一边是生成式AI自动生成测试用例、自动驾驶测试平台替代人工执行,另一边是日益频繁的“测试无用论”与质量危机事件。当技术浪潮裹挟前行时,测试从业者需要清醒叩问:这场革命…

作者头像 李华
网站建设 2026/9/3 0:43:45

基于电动汽车充电的微电网谐波抑制策略研究,包括电动汽车充电负 载模型,风电模型,光伏发现系统...

基于电动汽车充电的微电网谐波抑制策略研究,包括电动汽车充电负 载模型,风电模型,光伏发现系统,储能系统,以及谐波处理模块 风力发电系统仿真最近在研究电动汽车充电对微电网的影响,特别是谐波问题。电动汽…

作者头像 李华