Tool-Use

其他意图识别与工具调用方式 除了传统的 Slot Filling 和现代的 Function Calling，AI Agent 还有多种实现意图识别和工具调用的方式，各有特点和适用场景。 1. ReAct（Reasoning + Acting） ReAct 是一种让 LLM 交替进行推理（Reasoning）和行动（Acting）的方法，通过思维链（Chain of Thought）引导 LLM 一步步分析问题并选择工具。 工作原理 用户输入 → LLM 推理(Thought) → 决定行动(Action) → 执行工具 → 观察结果(Observation) → 继续推理 → ... 实现示例 react_prompt_template = """ 你是一个智能助手，可以使用以下工具： 1. search(query): 搜索信息 2. calculate(expression): 计算数学表达式 3. get_weather(city): 查询天气 请按以下格式回答： Thought: [你的思考过程] Action: [工具名称] Action Input: [工具参数] Observation: [工具返回的结果] ... (重复 Thought/Action/Observation 直到得出答案) Answer: [最终答案] 问题：{question} """ # 用户问题："北京明天的天气适合户外活动吗？" # LLM 输出： """ Thought: 我需要先查询北京明天的天气 Action: get_weather Action Input: {"city": "北京", "date": "明天"} Observation: 明天北京天气：晴，温度 22°C，微风 Thought: 根据天气信息，晴天、温度适中、微风，非常适合户外活动 Answer: 根据天气预报，北京明天天气晴朗，温度 22°C，微风，非常适合户外活动。 """ 优势 可解释性强：每一步推理过程都清晰可见 灵活性高：LLM 可以动态调整策略 支持复杂任务：可以进行多步推理和工具调用 劣势 Token 消耗大：每次推理都需要完整的对话历史 速度较慢：需要多次 LLM 调用 格式依赖：依赖 LLM 严格遵循输出格式 2. Prompt-based Tool Selection（基于提示的工具选择） 通过精心设计的 Prompt 让 LLM 直接输出工具调用的 JSON 或结构化文本。 ...

Function Calling（函数调用）详解 Function Calling 是现代大语言模型（如 GPT-4、Claude）提供的一项高级能力，允许 LLM 自动识别用户意图、提取参数，并生成标准化的函数调用请求。它是 AI Agent 实现工具调用的最先进方式。 什么是 Function Calling Function Calling 是 LLM 的一种特殊输出模式：不是直接返回文本，而是返回一个结构化的函数调用指令，包含： 要调用的函数名称 函数所需的参数（JSON 格式） 核心流程： 用户输入 → LLM 分析 → 返回函数调用指令 → 执行函数 → 返回结果 → LLM 生成自然语言响应 Function Calling vs 传统 Slot Filling 传统 Slot Filling 的局限 需要多步处理 步骤1：意图识别（调用一次 LLM） 步骤2：参数提取（再调用一次 LLM 或使用 NER） 步骤3：手动组装函数调用 容易出错 意图识别可能不准确 参数提取可能遗漏或错误 需要额外的数据验证逻辑 开发成本高 需要编写意图识别逻辑 需要编写参数提取和验证代码 需要维护多个处理步骤 Function Calling 的优势 一步到位 用户输入 → LLM → 直接返回完整的函数调用（包含意图和参数） 内置验证 ...