Agent 和 Function Call

如果您希望寻找本框架的 Agent 部分，您可以参考 libs/chatchat-server/chatchat/server/agent,这里包含了目前框架中所有的Agent内容。

Agent Factory

Agent Factory 中用于存储特殊的 Agent 模型，目前，拥有两个系列，分别是：

GLM 系列：包含 GLM-3，GLM-4 开源模型。
Qwen系列：支持Qwen-2，Qwen1.5 开源模型。

Tool Factory

Tool Factory 中用于存储特殊的工具，目前，Chatchat已经自带了多个工具，分别是：

高德地图POI搜索工具：利用高德地图API进行POI搜索，根据指定位置和类型返回相关地点的信息。
高德地图天气查询工具：利用高德地图API获取指定城市的天气信息。
音频问答工具：处理音频问题，使用提供的音频文件和文本问题来生成答案。
ARXIV论文工具：使用Arxiv.org进行搜索并检索各个领域的科学文章。
数学计算器工具：用于进行简单数学计算，将用户的问题转换为可以由numexpr评估的数学表达式。
互联网搜索工具：使用指定的搜索引擎在互联网上搜索并获取信息。
本地知识库工具：使用本地知识库进行搜索，根据指定的数据库和查询获取信息。
油管视频工具：使用该工具搜索YouTube视频。
系统命令工具：使用Shell执行系统命令。
文生图工具：根据用户的描述生成图片。
Prometheus对话工具：将自然语言转换为PromQL并在Prometheus服务器中执行查询，返回执行结果。
数据库对话工具：将自然语言转换为SQL并在数据库中执行查询，返回执行结果。
图片对话工具：根据图片和文本问题生成回答，并在图片上绘制矩形框。
天气查询工具：查询指定城市的当前天气情况。
维基百科搜索工具：使用维基百科进行搜索。
WolframAlpha工具：计算复杂的公式和执行高级数学运算。

增加自己的工具

我们支持使用 LangChain方式来增加自己的工具，您可以参考 libs/chatchat-server/chatchat/server/agent/tools_registry 中的工具模板，来增加自己的工具。一个简单的构建方式是：

新建一个 py 文件，用于书写自己的工具实现，例如

python

@regist_tool(title="数学计算器")
def calculate(text: str = Field(description="a math expression")) -> float:
    """
    Useful to answer questions about simple calculations.
    translate user question to a math expression that can be evaluated by numexpr.
    """
    import numexpr

    try:
        ret = str(numexpr.evaluate(text))
    except Exception as e:
        ret = f"wrong: {e}"

    return BaseToolOutput(ret)

使用 @regist_tool 装饰器用于注册工具。
填写需要传入的参数以及传入参数对应的函数。
使用 BaseToolOutput 来封装工具的顺畅。

如果你想使用 LangChain 自带的工具，可以这么使用，这里列举了一个使用 LangChain Shell 工具的例子。

python

from langchain_community.tools import ShellTool
from chatchat.server.pydantic_v1 import Field
from .tools_registry import BaseToolOutput, regist_tool


@regist_tool(title="系统命令")
def shell(query: str = Field(description="The command to execute")):
    """Use Shell to execute system shell commands"""
    tool = ShellTool()
    return BaseToolOutput(tool.run(tool_input=query))

这个例子在LangChain工具的基础上实例化工具，并作为Chatchat可以使用的工具进行调用。

让模型知道要调用工具

除了添加工具，在用户传入提示词的时候，也尽可能的强调需要使用工具，这样能提升模型调用工具的概率。比如

search_internet

使用这个工具是因为用户需要在联网进行搜索。这些问题通常是你不知道的，这些问题具有特点，例如：

联网帮我查询 xxx
我想知道最新的新闻或者，用户有明显的意图，需要获取事实的信息。返回字段如下

search_internet

search_local_knowledge

使用这个工具是希望用户能够获取本地的知识，这些知识通常是你自身能力不具备的专业问题，或者用户指定了某个任务的。例如：

告诉我关于 xxx 的 xxx 信息
xxx 中 xxx 的 xxx 是什么返回字段如下

search_local_knowledge

优化Agent系统提示词

如果您的模型不兼容 / 不适配 LangChain 默认的 Struct Agent提示词模板。您可以在配置文件中的 prompt_settings.yaml自定义提示词。例如：GLM-3 模型的提示词为：

You can answer using the tools.Respond to the human as helpfully and
accurately as possible.\nYou have access to the following tools:\n{tools}\nUse
a json blob to specify a tool by providing an action key (tool name)\nand an action_input
key (tool input).\nValid \"action\" values: \"Final Answer\" or  [{tool_names}]\n
Provide only ONE action per $JSON_BLOB, as shown:\n\n```\n{{{{\n  \"action\":
$TOOL_NAME,\n  \"action_input\": $INPUT\n}}}}\n```\n\nFollow this format:\n\n
Question: input question to answer\nThought: consider previous and subsequent
steps\nAction:\n```\n$JSON_BLOB\n```\nObservation: action result\n... (repeat
Thought/Action/Observation N times)\nThought: I know what to respond\nAction:\n\
```\n{{{{\n  \"action\": \"Final Answer\",\n  \"action_input\": \"Final response
to human\"\n}}}}\nBegin! Reminder to ALWAYS respond with a valid json blob of
a single action. Use tools if necessary.\nRespond directly if appropriate. Format
is Action:```$JSON_BLOB```then Observation:.\nQuestion: {input}\n\n{agent_scratchpad}\n

同时，如果您的模型返回格式不适配 LangChain 默认的 Struct Agent，您需要像 GLM-3 / GLM-4 一样自定义Agent执行逻辑，以确保能正确返回 Function Call的内容。