一、这是什么？（概念解释）

当使用不支持原生函数调用的大语言模型时（如 Moonshot、某些开源模型），无法像 GPT-4 那样使用 bind_tools() 和 tool_calls。

解决方案：通过精心设计的 Prompt，让模型以 JSON 格式 输出工具调用指令，然后手动解析并执行工具。

核心思想：

• 不依赖模型的原生函数调用能力

• 让模型输出结构化的 JSON：{"name": "工具名", "arguments": {参数}}

• 手动解析 JSON 并执行对应的工具

二、有什么用？（应用场景）

三、完整示例代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import json
import os
from typing import Type, Any, TypedDict, Dict, Optional
import requests
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableConfig, RunnablePassthrough
from langchain_core.tools import BaseTool, render_text_description_and_args
from langchain_openai import ChatOpenAI
from pydantic import Field, BaseModel
import dotenv


dotenv.load_dotenv()


# ============ 第一步：定义工具（与原生方式相同）============


class WeatherArgsSchema(BaseModel):
    city: str = Field(description="需要查询天气的城市，例如：北京")


class WeatherTool(BaseTool):
    """查询指定城市的天气预报"""
    name: str = "weather_query"
    description: str = "当你需要查询天气信息时使用此工具"
    args_schema: Type[BaseModel] = WeatherArgsSchema


    def _run(self, city: str) -> str:
        # 实际调用天气 API
        return f"{city}今天晴天，温度 25°C"


# ============ 第二步：创建工具字典和执行函数 ============


weather_tool = WeatherTool()
tool_dict = {weather_tool.name: weather_tool}
tools = [weather_tool]


# 定义工具调用请求的类型
class ToolCallRequest(TypedDict):
    name: str
    arguments: Dict[str, Any]


# 定义工具执行函数
def invoke_tool(
    tool_call_request: ToolCallRequest,
    config: Optional[RunnableConfig] = None,
) -> str:
    """执行工具调用"""
    name = tool_call_request["name"]
    requested_tool = tool_dict.get(name)
    return requested_tool.invoke(tool_call_request.get("arguments"), config=config)


# ============ 第三步：构建 Prompt（关键！）============


# 将工具列表渲染成文本描述
rendered_tools = render_text_description_and_args(tools)


system_prompt = f"""你是一个聊天机器人，可以访问以下工具。
以下是每个工具的名称和描述：


{rendered_tools}


根据用户输入，返回要使用的工具的名称和输入。
将您的响应作为具有`name`和`arguments`键的JSON块返回。
`arguments`应该是一个字典，其中键对应于参数名称，值对应于请求的值。"""


prompt = ChatPromptTemplate.from_messages([
    ("system", system_prompt),
    ("human", "{query}")
])


# ============ 第四步：创建执行链 ============


# 使用不支持函数调用的模型
llm = ChatOpenAI(model="moonshot-v1-8k", temperature=0)


# 链路：Prompt -> LLM -> 解析JSON -> 执行工具
chain = (
    prompt
    | llm
    | JsonOutputParser()          # 关键：解析模型输出的 JSON
    | RunnablePassthrough.assign(output=invoke_tool)  # 执行工具并将结果赋值给 output
)


# ============ 第五步：调用 ============


result = chain.invoke({"query": "北京今天天气怎么样？"})
print(result)
# 输出类似：
# {
#   "name": "weather_query",
#   "arguments": {"city": "北京"},
#   "output": "北京今天晴天，温度 25°C"
# }

四、流程对比图

┌─────────────────────────────────────────────────────────────────────────┐
│              原生函数调用 VS Prompt Engineering 方式对比                    │
└─────────────────────────────────────────────────────────────────────────┘




  ================== 原生支持函数调用 (GPT-4) ==================


  用户提问               LLM                  应用层
     │                   │                      │
     ▼                   ▼                      │
  "北京天气？" ──────────▶│ 返回 tool_calls      │
     │                   │ (结构化对象)         │
     │                   │ [{name: "weather",  │     │                   │   args: {...}}]      │
     │◀──────────────────│                      │
     │                   │                      │
     │ 解析 tool_calls    │                      │
     │                   │                      │
     ▼                   │                      │
  调用工具 ──────────────────────────────────────▶│
     │                                          │
     │◀─────────────────────────────────────────│ 工具返回
     │                                          │
     ▼                   │                      │
  构造 ToolMessage ──────▶│ 生成最终回答         │
     │                   │                      │
     │◀──────────────────│                      │
  最终回答                                         │




  ================== 不支持函数调用 (Moonshot) ==================


  用户提问               LLM                  应用层
     │                   │                      │
     ▼                   ▼                      │
  "北京天气？" ──────────▶│ 返回文本            │
     │                   │ (JSON字符串)        │
     │                   │ '{"name": "weather"│
     │                   │   "arguments": {...│
     │                   │  }}'               │
     │◀──────────────────│                      │
     │                   │                      │
     ▼                   │                      │
  JsonOutputParser      │                      │
  (解析 JSON)           │                      │
     │                   │                      │
     ▼                   │                      │
  invoke_tool() ────────────────────────────────▶│
  (手动执行工具)                               │
     │                                          │
     │◀─────────────────────────────────────────│ 工具返回
     │                   │                      │
     ▼                   ▼                      ▼
  返回完整结果                                   │
  {name, arguments, output}                     │




  ┌─────────────────────────────────────────────────────────────────────────┐
  │                         核心差异                                         │
  └─────────────────────────────────────────────────────────────────────────┘


  原生方式：                     Prompt Engineering 方式：
  - LLM 返回结构化对象            - LLM 返回 JSON 文本
  - 自动解析 tool_calls           - 手动用 JsonOutputParser 解析
  - 使用 ToolMessage 反馈         - 直接将结果附加到输出
  - 模型内置支持                   - 完全靠 Prompt 设计