Qwen2在Java项目中如何实现优雅的Function_Call工具调用

本文主要是介绍Qwen2在Java项目中如何实现优雅的Function_Call工具调用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在当今AI技术飞速发展的背景下，大语言模型如Qwen2和GLM-4凭借其强大的语言处理能力，在诸多领域展现出了巨大的潜力。然而，大模型并非全知全能，它们在处理特定任务时，尤其是在需要与外部系统交互或执行具体功能时，会遇到一定的局限性。这主要是因为大模型通常被设计为封闭的文本生成系统，缺乏直接调用外部工具或API的能力。这种局限性凸显了工具调用在实际应用中的必要性，它能够扩展模型的功能边界，使其能够在真实世界场景中执行更加复杂和具体的操作。

工具调用的必要性

尽管大模型在自然语言理解和生成上取得了显著进步，但它们往往受限于训练数据的内容，无法直接访问网络资源、执行代码或操作数据库等。这意味着在解决实际问题时，模型可能无法提供直接、即时且准确的解决方案，尤其是那些需要实时数据处理或特定功能执行的任务。因此，通过工具调用来增强大模型的功能，成为提升其实用性和灵活性的关键。

在此背景下，ChatGLM3以及最近的GLM-4原生就已经支持了工具调用，这就非常方便，通过直接与外部工具交互，减少了中间环节，提高了响应速度和效率。

tools = [{"name": "track","description": "追踪指定股票的实时价格","parameters": {"type": "object","properties": {"symbol": {"description": "需要追踪的股票代码"}},"required": ['symbol']}},{"name": "text-to-speech","description": "将文本转换为语音","parameters": {"type": "object","properties": {"text": {"description": "需要转换成语音的文本"},"voice": {"description": "要使用的语音类型（男声、女声等）"},"speed": {"description": "语音的速度（快、中等、慢等）"}},"required": ['text']}}
]
system_info = {"role": "system", "content": "Answer the following questions as best as you can. You have access to the following tools:", "tools": tools}

但是Qwen1.5以及Qwen2并不具备原生的工具调用功能，得借助于其Qwen-Agent框架或者langChain框架。那不借助Python框架，我就要使用Java实现该怎么做呢？

使用Java实现Qwen2工具调用

首先，我们需要自定义两个注解FunctionDef​和FunctionParam​

@Inherited
@Retention(RetentionPolicy.RUNTIME)
@Target({ElementType.METHOD})
public @interface FunctionDef {/*** 函数名称* @return 函数名称*/String name() default "";/*** 函数描述* @return 函数描述*/String description();
}@Inherited
@Retention(RetentionPolicy.RUNTIME)
@Target({ElementType.PARAMETER})
public @interface FunctionParam {/*** 参数名称* @return 参数名称*/String name();/*** 参数描述* @return 参数描述*/String description();/*** 参数枚举* @return 参数枚举*/String[] enums() default {};/*** 是否必填* @return 必填*/boolean required() default false;
}

然后，我们可以根据自己的需求，创建几个工具插件。下面是我创建的一个查询天气的插件：

public class WeatherTool {/*** 查询天气* @param city 城市* @return 天气信息*/@FunctionDef(name = "getWeatherInfo", description = "get the weather info")public static String getWeatherInfo(@FunctionParam(name = "city", description = "the city name") String city) {if (city == null || city.isEmpty()) {throw new IllegalArgumentException("City name must not be null or empty");}OkHttpClient client = new OkHttpClient.Builder().connectTimeout(60, TimeUnit.SECONDS).writeTimeout(60, TimeUnit.SECONDS).readTimeout(60, TimeUnit.SECONDS).build();try {Map<String, String> headers = new HashMap<>(16);headers.put("Content-Type", "application/json");Request.Builder builder = new Request.Builder().url("https://query.asilu.com/weather/baidu/?city="+city);builder.headers(Headers.of(headers));builder.method("GET", null);Request request = builder.build();Response response = client.newCall(request).execute();if (response.isSuccessful()) {ResponseBody responseBody = response.body();JSONObject jsonObject = JSONObject.parseObject(responseBody.string());return jsonObject.toString();} else {throw new OpenAIChatException("Failed with status code %d. messages: %s", response.code(), response.message());}} catch (IOException e) {e.printStackTrace();return "Error encountered while fetching weather data!";}}
}

再然后，我们把所有的工具插件都交给大模型，让它判断要满足用户的提问，应该选择哪个工具插件：

public String getToolResult(String sessionId,String prompt, List<Function> baseTools){String class2Json = buildClass2Json(new BaseFunction());String finalPrompt = String.format("你是一个AI助手，我会给你一个工具对象集合，工具对象包括name（工具名）、description（工具描述）、clazz（工具类名）、parameters（工具参数）。" +"你可以结合工具对象，从用户的问句中提取到关键词，确定要实现用户的任务应该选择哪个工具对象和工具的参数。" +"【工具集合】：%s。" +"【用户提问】：%s？" +"您的响应结果必须为JSON格式，并且不要返回任何不必要的解释，只提供遵循此格式的符合RFC8259的JSON响应。以下是输出必须遵守的JSON Schema实例：‍```%s‍```",JSON.toJSONString(baseTools),prompt,class2Json);String funcParams = chat(sessionId,finalPrompt);funcParams = JSON.parseObject(funcParams, OpenAIChatResponse.class).getChoices().get(0).getMessage().getContent();funcParams = funcParams.substring(funcParams.indexOf("{"), funcParams.lastIndexOf("}")+1);return LoadFunctions.load(JSON.parseObject(funcParams, BaseFunction.class));}

确定哪个工具插件后，再使用LoadFunctions.load加载执行这个工具插件：

public static String load(BaseFunction baseFunction){String className = baseFunction.getClazz();String methodName = baseFunction.getFunctionName();Map<String,String> arg = baseFunction.getParams();List<String> params = new ArrayList<>();String result = "";try {// 加载类Class<?> clazz = Class.forName(className);//可以使用arg.size确定几个参数，我为了演示方便，这里就默认只有一个参数了//int size = arg.size();Method method = clazz.getMethod(methodName,String.class);Parameter[] parameters = method.getParameters();// 如果方法有参数，并且参数类型已知（例如只有一个String类型的参数）for (int i = 0; i < parameters.length; i++){params.add(arg.values().stream().skip(i).findFirst().orElse(null));}// 创建类的实例，如果CarBean有一个无参构造函数Object instance = clazz.newInstance();result = method.invoke(instance,params.toArray()).toString();} catch (ClassNotFoundException e) {LOG.error("类未找到: {}" , className);} catch (NoSuchMethodException e) {LOG.error("找不到方法: {}" , methodName);} catch (InstantiationException | IllegalAccessException | InvocationTargetException e) {LOG.error("无法调用方法: {}" , e.getMessage());}return result;}

最后，我们就可以拿到工具执行的结果，然后把工具执行结果直接给到大模型，让它组织语言回答用户提问就可以了

public Flux<String> streamChatWithTools(String sessionId, String prompt, List<Function> baseTools) {//获取工具结果String toolResult = getToolResult(null,prompt, baseTools);LOG.info("工具调用结果为：{}",toolResult);String promptFormat = String.format("基于工具查询的结果：{%s}。请回答：%s？", toolResult, prompt);return streamChat(sessionId, promptFormat);}

到这里，我们就完成了像Qwen2这种没有原生支持Function_call的大模型的工具调用的功能了。

改进优化

在最初的版本中，我们是把普通问答和工具调用的问答分开设计的，这样的设计虽然能实现各种不同的功能，但是对于用户并不友好，“我怎么知道什么时候该使用工具模式呢？”。

​

因此，我们打算将普通问答模式和工具调用问答模式进行合并。这样，用户只需要专注于自己的问题即可，不用在纠结该选择哪个模式。

首先，我们定义一个返回空字符串的工具插件：

/*** 返回一个空字符串* @return 归属地*/@FunctionDef(name = "getEmptyResult", description = "get a empty result")public static String getEmptyResult() {return "";}

然后，也需要修改一下大模型选择工具插件的提示词，“如果用户提问内容与除了getEmptyResult之外的其他所有的工具都不相关，就返回getEmptyResult”：

public String getToolResult(String sessionId,String prompt, List<Function> baseTools){String class2Json = buildClass2Json(new BaseFunction());String finalPrompt = String.format("你是一个AI助手，我会给你一个工具对象集合，工具对象包括name（工具名）、description（工具描述）、clazz（工具类名）、parameters（工具参数）。" +"你可以结合工具对象，从用户的问句中提取到关键词，确定要实现用户的任务应该选择哪个工具对象和工具的参数。" +"【工具集合】：%s。" +"【用户提问】：%s？" +"如果用户提问内容与除了getEmptyResult之外的其他所有的工具都不相关，则你需要响应getEmptyResult工具即可。"+"您的响应结果必须为JSON格式，并且不要返回任何不必要的解释，只提供遵循此格式的符合RFC8259的JSON响应。以下是输出必须遵守的JSON Schema实例：‍```%s‍```",JSON.toJSONString(baseTools),prompt,class2Json);String funcParams = chat(sessionId,finalPrompt);funcParams = JSON.parseObject(funcParams, OpenAIChatResponse.class).getChoices().get(0).getMessage().getContent();funcParams = funcParams.substring(funcParams.indexOf("{"), funcParams.lastIndexOf("}")+1);return LoadFunctions.load(JSON.parseObject(funcParams, BaseFunction.class));}

这样，如果我如果输入一个问题，如地球的直径是多少。大模型识别这个问题与所有的工具插件都不相关，它就返回一个空字符串，也就是不用基于查询的知识进行回答。

public Flux<String> streamChatWithTools(String sessionId, String prompt, List<Function> baseTools) {//获取工具结果String toolResult = getToolResult(null,prompt, baseTools);LOG.info("工具调用结果为：{}",toolResult);String promptFormat = StringUtils.isEmpty(toolResult) ? String.format("请回答：%s？", prompt):String.format("基于工具查询的结果：{%s}。请回答：%s？", toolResult, prompt);return streamChat(sessionId, promptFormat);}

这样，我们就实现了使用一个接口，同时处理用户的通识问答和需要进行工具调用的问答。

这篇关于Qwen2在Java项目中如何实现优雅的Function_Call工具调用的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---