工具呼叫

工具呼叫也稱為「函式呼叫」，是一種結構化方法 LLM 能夠將要求傳回給呼叫 LLM 的應用程式。個人中心 定義您想提供給模型的工具，模型就會 視需要對應用程式提出工具要求，以執行您提供的提示。

工具呼叫的用途通常涵蓋幾個主題：

為 LLM 存取非用於訓練的資訊

  • 經常變動的資訊，例如餐廳的每日菜單或 商店的商品目錄狀態
  • 應用程式網域專屬的資訊，例如產品資訊。

請注意與檢索增強生成 (RAG) 重疊， 可讓 LLM 在生成內容中融入事實資訊RAG 是一種 更大規模的解決方案 或是與提示最相關的資訊啟用 另一方面，若擷取 LLM 需要的資訊 則更適合使用工具呼叫

在 LLM 工作流程中加入決定程度的確定性

  • 執行 LLM 無法確實完成的計算。
  • 在某些情況下，例如要求 LLM 生成完整文字內容，例如 回覆有關應用程式服務條款的問題時。

在 LLM 啟動動作時執行動作

  • 使用 LLM 技術的居家助理，開啟及關燈
  • 透過 LLM 技術提供的餐廳代理預訂資料表

事前準備

如要執行這個網頁中的程式碼範例，請先完成 入門指南。所有範例都假設您 已設定已安裝 Genkit 依附元件的專案。

本頁討論 Genkit 模型抽象化的進階功能 generate() 函式，因此在深入探索前，請先熟悉 請參閱「使用 AI 模型產生內容」一文。請 也熟悉 Genkit 系統如何定義輸入和輸出結構定義 Flows 頁面所述。

工具呼叫總覽

概括而言，這就是與大型語言模型進行工具呼叫的典型互動 如下所示：

  1. 呼叫應用程式會向 LLM 發出要求，並提供 列出 LLM 可用來生成回覆的工具
  2. 大型語言模型會產生完整的回覆，或是產生工具呼叫 特定格式的要求
  3. 如果呼叫端收到完整回應，則表示該要求已完成，且 互動結束；但如果呼叫端收到工具呼叫，則會執行 即可傳送新的要求給包含 原始提示或變化版本 工具呼叫
  4. LLM 按照步驟 2 處理新提示。

若要這麼做，必須滿足幾項需求：

  • 模型必須經過訓練，才能在必須完成 提示。Gemini 等網頁 API 提供的大多數大型模型 和 Claude 都能達成這個目標，但規模較小且特殊的模型通常無法這麼做。 如果您嘗試為模型提供工具 都提供支援。
  • 呼叫的應用程式必須在 格式都沒有問題
  • 呼叫應用程式必須提示模型，以便生成工具呼叫 都能以應用程式預期的格式處理要求

Genkit 呼叫工具

Genkit 提供單一介面，方便你透過支援的模型呼叫工具。 每個模型外掛程式都會確保滿足上述兩個條件。 generate() 函式會自動執行工具呼叫迴圈 範例。

模型支援

工具呼叫的支援功能取決於模型、模型 API 和 Genkit 外掛程式。 請參閱相關說明文件，判斷工具呼叫是否可能 支援。此外：

  • 如果您嘗試為模型提供工具 都提供支援。
  • 如果外掛程式匯出模型參照，info.supports.tools 屬性 會標明是否支援工具呼叫工具。

定義工具

使用 defineTool() 函式編寫工具定義：

const specialToolInputSchema = z.object({ meal: z.enum(["breakfast", "lunch", "dinner"]) });
const specialTool = defineTool(
  {
    name: "specialTool",
    description: "Retrieves today's special for the given meal",
    inputSchema: specialToolInputSchema,
    outputSchema: z.string(),
  },
  async ({ meal }): Promise<string> => {
    // Retrieve up-to-date information and return it. Here, we just return a
    // fixed value.
    return "Baked beans on toast";
  }
);

這裡的語法看起來與 defineFlow() 語法相似不過，這四個 name、description、inputSchema 和 outputSchema 參數則是 這通常代表交易 不會十分要求關聯語意 撰寫工具定義時，請特別留意用詞和 說明這些參數，對 LLM 而言，這些參數至關重要 有效利用可用的工具

在提示中加入工具

定義工具後，請在 generate():

const llmResponse = await generate({
  model: gemini15Flash,
  prompt,
  tools: [specialTool],
});

您可以提供多項工具LLM 會視需要呼叫工具 來完成提示

明確處理工具呼叫

根據預設，Genkit 會重複呼叫 LLM，直到每項工具呼叫都成功 均已解決。如果想進一步控制這個工具的呼叫迴圈，例如 套用較複雜的邏輯，請將 returnToolRequests 參數設為 true。 現在，您有責任確保所有工具要求都能順利完成：

let generateOptions: GenerateOptions = {
  model: gemini15Flash,
  prompt,
  tools: [specialTool],
  returnToolRequests: true,
};
let llmResponse;
while (true) {
  llmResponse = await generate(generateOptions);
  const toolRequests = llmResponse.toolRequests();
  if (toolRequests.length < 1) {
    break;
  }
  const toolResponses: ToolResponsePart[] = await Promise.all(
    toolRequests.map(async (part) => {
      switch (part.toolRequest.name) {
        case "specialTool":
          return {
            toolResponse: {
              name: part.toolRequest.name,
              ref: part.toolRequest.ref,
              output: await specialTool(specialToolInputSchema.parse(part.toolRequest?.input)),
            },
          };
        default:
          throw Error('Tool not found');
        }
      }));
    generateOptions.history = llmResponse.toHistory();
    generateOptions.prompt = toolResponses;
}