7.2 Tool Use 实战 进阶 ~$0.02
前置知识:7.1 Function Calling 原理
开场白:
刚学会 OpenAI 的 Function Calling,兴高采烈地切换到 Claude,结果... 代码全挂了!就像你学会了开手动挡汽车,换了辆自动挡却不知道怎么挂档。
欢迎来到 AI 工具调用的"方言世界"——每家都说"我支持 Tool Use",但每家的"口音"都不一样。本节带你成为双语程序员,玩转 OpenAI 和 Anthropic 两大阵营!
为什么需要它?(Problem)
问题:不同厂商的工具调用方式不一样
你已经掌握了 OpenAI 的 Function Calling,但当你尝试用 Anthropic 的 Claude 时:
python
# ❌ OpenAI 的方式在 Claude 上不工作
response = client.messages.create(
model="claude-3-5-sonnet-20241022",
tools=tools, # Claude 的格式不同!
# ...
)现实挑战:
- API 格式不同:OpenAI 用
tools,Anthropic 用tools但结构不同 - 返回格式不同:OpenAI 返回
tool_calls,Anthropic 返回content数组 - 并行调用:一次对话中需要调用多个工具怎么办?
- 错误处理:工具调用失败、参数错误、超时等问题如何处理?
**本节解决:**掌握 OpenAI 和 Anthropic 两大主流范式,实现统一的工具调用接口。
类比:Tool = 遥控器按钮
把每个工具想象成遥控器上的按钮:
- OpenAI 遥控器:按钮标记是
tool_calls,结果从tool频道返回 - Anthropic 遥控器:按钮标记是
content[type=tool_use],结果从user频道的tool_result返回
按钮功能一样,但按法不同!我们需要学会两种"手势"。
它是什么?(Concept)
两大工具调用范式:
关键差异对比:
| 维度 | OpenAI | Anthropic |
|---|---|---|
| 工具定义 | tools 列表 | tools 列表(格式略有不同) |
| 工具调用控制 | tool_choice | tool_choice |
| 响应结构 | message.tool_calls | content 数组,类型为 tool_use |
| 工具结果返回 | role: "tool" | role: "user",content 包含 tool_result |
| 并行调用 | 支持,返回多个 tool_calls | 支持,返回多个 tool_use 块 |
| 流式输出 | 支持 | 支持 |
OpenAI Function Calling 详解
完整工作流程:
python
from openai import OpenAI
import json
client = OpenAI()
# 1. 定义多个工具
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取指定城市的天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名"}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "calculator",
"description": "执行数学计算",
"parameters": {
"type": "object",
"properties": {
"expression": {
"type": "string",
"description": "数学表达式,如 '2+3*4'"
}
},
"required": ["expression"]
}
}
}
]
# 2. 实现工具函数
def get_weather(city: str):
return {"city": city, "temperature": 15, "weather": "晴"}
def calculator(expression: str):
try:
result = eval(expression) # 生产环境使用 ast.literal_eval
return {"expression": expression, "result": result}
except:
return {"error": "计算错误"}
# 3. 工具路由
available_functions = {
"get_weather": get_weather,
"calculator": calculator
}
# 4. 调用 LLM
messages = [{"role": "user", "content": "北京天气如何?顺便帮我算一下 15*7"}]
response = client.chat.completions.create(
model="gpt-4.1-mini",
messages=messages,
tools=tools,
tool_choice="auto" # auto | required | none | {"type": "function", "function": {"name": "xxx"}}
)
# 5. 处理工具调用(可能是多个)
message = response.choices[0].message
messages.append(message)
if message.tool_calls:
for tool_call in message.tool_calls:
function_name = tool_call.function.name
function_args = json.loads(tool_call.function.arguments)
print(f"调用工具: {function_name}({function_args})")
# 执行工具
function_to_call = available_functions[function_name]
result = function_to_call(**function_args)
# 添加工具结果
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps(result, ensure_ascii=False)
})
# 6. LLM 生成最终回答
final_response = client.chat.completions.create(
model="gpt-4.1-mini",
messages=messages
)
print(f"\n最终回答: {final_response.choices[0].message.content}")tool_choice 参数详解:
| 值 | 行为 |
|---|---|
"auto" | LLM 自动判断是否调用工具(默认) |
"none" | 强制不调用工具,只生成文本 |
"required" | 强制调用至少一个工具 |
{"type": "function", "function": {"name": "get_weather"}} | 强制调用指定工具 |
翻车现场:忘记处理并行调用
python
# ❌ 错误:只处理了第一个工具调用
tool_call = message.tool_calls[0] # 如果 LLM 返回多个怎么办?
result = get_weather(**json.loads(tool_call.function.arguments))用户问: "北京和上海今天天气怎么样?"
结果:
- LLM 返回了 2 个
tool_calls(北京 + 上海) - 你的代码只处理了第一个
- 最终回答只包含北京天气,上海被忽略了!
正确做法:
python
# ✅ 遍历所有 tool_calls
for tool_call in message.tool_calls:
# 处理每个工具调用
...一句话总结: tool_calls 是列表,永远用 for 循环处理,别偷懒只拿第一个!
Anthropic Tool Use 详解
Anthropic 的实现方式:
python
from anthropic import Anthropic
import json
client = Anthropic()
# 1. 定义工具(格式略有不同)
tools = [
{
"name": "get_weather",
"description": "获取指定城市的天气信息",
"input_schema": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称"
}
},
"required": ["city"]
}
},
{
"name": "calculator",
"description": "执行数学计算",
"input_schema": {
"type": "object",
"properties": {
"expression": {
"type": "string",
"description": "数学表达式"
}
},
"required": ["expression"]
}
}
]
# 2. 实现工具函数(同上)
def get_weather(city: str):
return {"city": city, "temperature": 15, "weather": "晴"}
def calculator(expression: str):
try:
return {"result": eval(expression)}
except:
return {"error": "计算错误"}
available_functions = {
"get_weather": get_weather,
"calculator": calculator
}
# 3. 调用 LLM
messages = [{"role": "user", "content": "北京天气如何?顺便帮我算一下 15*7"}]
response = client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=1024,
tools=tools,
messages=messages
)
# 4. 处理工具调用
print(f"Stop reason: {response.stop_reason}") # tool_use
# Anthropic 的响应结构: content 是一个数组
tool_results = []
for content_block in response.content:
if content_block.type == "tool_use":
tool_name = content_block.name
tool_input = content_block.input
tool_use_id = content_block.id
print(f"调用工具: {tool_name}({tool_input})")
# 执行工具
function_to_call = available_functions[tool_name]
result = function_to_call(**tool_input)
# 收集工具结果
tool_results.append({
"type": "tool_result",
"tool_use_id": tool_use_id,
"content": json.dumps(result, ensure_ascii=False)
})
# 5. 返回工具结果给 LLM
messages.append({"role": "assistant", "content": response.content})
messages.append({
"role": "user",
"content": tool_results
})
final_response = client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=1024,
tools=tools,
messages=messages
)
print(f"\n最终回答: {final_response.content[0].text}")关键差异:
- 工具定义:Anthropic 用
input_schema而不是parameters - 响应结构:Anthropic 的
content是数组,可能包含多个tool_use和text块 - 工具结果:Anthropic 用
tool_result类型,放在user角色消息中
一句话总结
OpenAI vs Anthropic 的关键区别:
- OpenAI:工具调用在
message.tool_calls,结果用role="tool" - Anthropic:工具调用在
content[type="tool_use"],结果放在user消息的content[type="tool_result"]
就像点外卖:OpenAI 是"骑手直接送到你手里",Anthropic 是"骑手放在门口,你自己拿进来"!
统一的工具调用接口
实现一个抽象层,屏蔽差异:
python
from abc import ABC, abstractmethod
from typing import List, Dict, Any, Callable
import json
class ToolUseAdapter(ABC):
"""工具调用适配器基类"""
@abstractmethod
def call_with_tools(self, messages: List[Dict], tools: List[Dict]) -> Any:
"""调用 LLM 并处理工具"""
pass
@abstractmethod
def execute_tools(self, response: Any, functions: Dict[str, Callable]) -> List[Dict]:
"""执行工具并返回结果"""
pass
class OpenAIAdapter(ToolUseAdapter):
def __init__(self, client):
self.client = client
def call_with_tools(self, messages: List[Dict], tools: List[Dict]) -> Any:
return self.client.chat.completions.create(
model="gpt-4.1-mini",
messages=messages,
tools=tools,
tool_choice="auto"
)
def execute_tools(self, response: Any, functions: Dict[str, Callable]) -> List[Dict]:
results = []
message = response.choices[0].message
if message.tool_calls:
for tool_call in message.tool_calls:
func = functions[tool_call.function.name]
args = json.loads(tool_call.function.arguments)
result = func(**args)
results.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps(result, ensure_ascii=False)
})
return results
class AnthropicAdapter(ToolUseAdapter):
def __init__(self, client):
self.client = client
def call_with_tools(self, messages: List[Dict], tools: List[Dict]) -> Any:
return self.client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=1024,
tools=tools,
messages=messages
)
def execute_tools(self, response: Any, functions: Dict[str, Callable]) -> List[Dict]:
results = []
for block in response.content:
if block.type == "tool_use":
func = functions[block.name]
result = func(**block.input)
results.append({
"type": "tool_result",
"tool_use_id": block.id,
"content": json.dumps(result, ensure_ascii=False)
})
return results
# 使用统一接口
def run_with_tools(adapter: ToolUseAdapter, messages: List[Dict], tools: List[Dict], functions: Dict[str, Callable]):
# 第一次调用
response = adapter.call_with_tools(messages, tools)
# 执行工具
tool_results = adapter.execute_tools(response, functions)
if tool_results:
# 将结果返回 LLM
# (具体实现根据不同适配器调整)
pass
return response翻车现场:不看文档直接抄代码
python
# ❌ 把 OpenAI 的代码直接用在 Anthropic 上
response = anthropic_client.messages.create(...)
# 尝试访问 tool_calls
if response.message.tool_calls: # AttributeError!
...错误原因:
- Anthropic 没有
message.tool_calls属性! - 需要遍历
response.content找type="tool_use"的块
一句话总结: 别想当然!不同厂商的 API 就像不同品牌的遥控器,按钮位置不一样,看说明书再用!
动手试试(Practice)
完整示例:对比 OpenAI 和 Anthropic 的工具调用,实现天气+计算器组合。
本地运行：jupyter notebook demos/07-function-calling/tool_use.ipynb小结(Reflection)
- 解决了什么:掌握 OpenAI 和 Anthropic 两大工具调用范式,能够处理并行工具调用
- 没解决什么:多个工具怎么编排?调用失败怎么办?——下一节介绍
- 关键要点:
- OpenAI 用
tool_calls,Anthropic 用content数组 - 工具定义格式略有不同:OpenAI 用
parameters,Anthropic 用input_schema - 并行调用:两者都支持一次返回多个工具调用
- 统一接口:通过适配器模式屏蔽差异
- tool_choice 控制调用策略:auto / required / none / 指定工具
- OpenAI 用
最后更新:2026-02-20