018-Tool-Calling-Deep-Practice

Tool Calling 深度实践：四种模式与并行调用的完整指南

💡摘要：深入掌握 Tool Calling 的tool_choice四种模式（auto/any/具体工具名/disabled）、.bind_tools()绑定语法和parallel_tool_call并行调用机制，让你的 Agent 更高效、更可控地调用外部工具。

引言

在上一篇 Function Calling 的文章中，我们学习了如何让模型调用外部工具。但实际使用中，你会发现还有更多控制需求：

• 有时候希望模型自己判断是否调用工具
• 有时候需要强制模型必须调用某个特定工具
• 有时候模型需要同时调用多个工具（比如同时查两个城市的天气）
• 有时候只想纯聊天，完全禁用工具调用

如何精细控制模型的工具调用行为？答案就是tool_choice参数和parallel_tool_call机制。

本文将深入讲解 Tool Calling 的四种模式、并行调用机制和最佳实践，让你对模型的工具调用拥有完全的控制力。

核心概念

tool_choice 是什么？

tool_choice是一个控制模型是否调用工具、调用哪些工具的参数。你可以把它理解为“工具调用开关+方向”。

类比：就像汽车的驾驶模式：

• Auto（自动模式）：车辆自己判断用运动模式还是经济模式
• Any（强制调用）：必须使用至少一个档位
• 具体工具名（手动指定）：强制用三档
• Disabled（关闭）：纯手动驾驶，不用任何辅助

四种模式对比

原理深入

.bind_tools() 绑定语法

在使用tool_choice之前，需要先用.bind_tools()将工具绑定到模型上：

fromlangchain_openaiimportChatOpenAIfromlangchain.toolsimporttool# 定义工具@tooldefget_weather(location:str,unit:str="celsius")->str:"""查询指定城市的天气信息"""returnf"{location}天气：晴，22°C"@tooldefget_time(location:str)->str:"""获取指定位置的当前时间"""fromdatetimeimportdatetimereturnf"{location}时间：{datetime.now().strftime('%H:%M')}"# 初始化模型llm=ChatOpenAI(model="gpt-4o-mini",temperature=0)# 绑定工具llm_with_tools=llm.bind_tools([get_weather,get_time])

💡bind_tools 的作用
.bind_tools()将工具的定义（名称、描述、参数）注入到模型中，使模型知道有哪些工具可用。但它不控制模型何时调用这些工具。

tool_choice 四种模式详解

1. Auto 模式（最常用）

让模型自主判断是否需要调用工具：

llm_with_tools=llm.bind_tools([get_weather,get_time],tool_choice="auto")# 模型会根据问题自主决定msg=llm_with_tools.invoke([{"role":"user","content":"北京今天天气怎么样？"}])# → 模型会调用 get_weather 工具msg=llm_with_tools.invoke([{"role":"user","content":"你好！"}])# → 模型直接回答，不调用工具

2. Any 模式（强制工具调用）

强制模型必须调用至少一个工具，不允许直接回答：

llm_forced=llm.bind_tools([get_weather,get_time],tool_choice="any")# 即使用户说"你好"，模型也必须调用工具msg=llm_forced.invoke([{"role":"user","content":"你好！"}])# → 模型会强制调用一个工具（可能是 get_weather 或 get_time）

💡什么时候用 Any？
调试阶段非常有用。如果你想确认工具注册是否正确、模型能否识别工具，用 Any 模式可以确保模型一定会调用。

3. 具体工具名（强制指定工具）

强制模型调用某个特定工具：

注意：当模型处于思考模式（thinking mode）时，强制指定tool_choice为具体函数或required会触发 API 400 错误，提示参数不支持，此时需要关闭模型的思考能力。

llm=ChatOpenAI(model="gpt-4o-mini",temperature=0,extra_body={"thinking":{"type":"disabled"}})llm_weather=llm.bind_tools([get_weather,get_time],tool_choice={"type":"function","function":{"name":"get_weather"}})# 模型必须调用 get_weathermsg=llm_weather.invoke([{"role":"user","content":"北京现在几点？"}])# → 即使问题问的是时间，模型也会调用 get_weather

4. Disabled 模式（禁用工具）

完全禁用工具调用，即使绑定了工具也不会使用：

llm_plain=llm.bind_tools([get_weather,get_time],tool_choice="none")# 模型不会调用任何工具msg=llm_plain.invoke([{"role":"user","content":"北京今天天气怎么样？"}])# → 模型直接回答，因为它没有实时天气数据

💡为什么绑定了工具又禁用？
有时候你在同一个 Agent 中需要根据场景切换。比如：闲聊时禁用工具，正式问答时启用。通过切换tool_choice即可实现。

代码示例

parallel_tool_call 并行调用

当用户的问题需要多个独立工具时，可以并行调用：

defexecute_tool(tool_name,arguments):iftool_name=="get_weather":returnget_weather.invoke(arguments)eliftool_name=="get_time":returnget_time.invoke(arguments)else:returnf"Unknown tool:{tool_name}"# 启用并行调用llm_parallel=llm.bind_tools([get_weather,get_time],parallel_tool_calls=True)msg=llm_parallel.invoke([{"role":"user","content":"查询北京的天气和上海的时间"}])# 模型会返回两个 Tool Call 请求# 1. get_weather(location="beijing")# 2. get_time(location="shanghai")# 你可以并发执行这两个工具调用tool_calls=msg.tool_calls results=[]fortcintool_calls:tool_name=tc["name"]id=tc["id"]arguments=tc["args"]result=execute_tool(tool_name,arguments)results.append(result)print(results)

并行调用的前提条件：

• 工具之间没有依赖关系
• 工具调用的参数可以独立确定
• 模型判断需要同时使用多个工具

实战应用

场景 1：智能客服系统

在客服系统中，根据用户意图动态控制工具调用：

# 默认 Auto 模式llm_customer_service=llm.bind_tools([search_database,get_order_status,get_weather],tool_choice="auto")# 用户问天气，模型不调用数据库工具msg=llm_customer_service.invoke([{"role":"user","content":"今天天气怎么样？"}])# → 调用 get_weather# 用户查询订单msg=llm_customer_service.invoke([{"role":"user","content":"我的订单 #12345 状态如何？"}])# → 调用 get_order_status

场景 2：调试工具注册

在开发阶段，用 Any 模式确认工具是否正确注册：

# 调试模式：强制调用llm_debug=llm.bind_tools([get_weather,get_time],tool_choice="any")msg=llm_debug.invoke([{"role":"user","content":"测试工具"}])# 检查是否返回了 Tool Callif'tool_calls'inmsg:print("✅ 工具注册成功！模型能识别并调用工具。")else:print("❌ 工具可能未正确注册。")

场景 3：多城市天气查询

利用并行调用一次性查询多个城市：

llm_parallel=llm.bind_tools([get_weather,get_time],parallel_tool_calls=True)msg=llm_parallel.invoke([{"role":"user","content":"同时查询北京、上海、深圳的天气"}])# 模型可能返回三个 get_weather 调用tool_calls=msg.tool_callsprint(f"需要调用{len(tool_calls)}个工具")# 并发执行所有工具调用fortcintool_calls:tool_name=tc["name"]args=tc["args"]result=execute_tool(tool_name,args)print(f"{args.get('location')}:{result}")

执行过程：

需要调用 3 个工具 北京: 北京 天气：晴，22°C 上海: 上海 天气：多云，26°C 深圳: 深圳 天气：小雨，29°C

场景 4：纯对话模式

当用户只是闲聊时，禁用工具调用节省成本：

# 检测到闲聊意图时llm_chat=llm.bind_tools([get_weather,get_time],tool_choice="none"# 禁用工具)msg=llm_chat.invoke([{"role":"user","content":"你叫什么名字？"}])# → 直接回答，不会调用任何工具

常见问题和解决方案

问题 1：模型调用了错误的工具

原因：工具描述相似，模型无法区分。

解决方案：确保每个工具的描述独一无二，使用.bind_tools()时可以自定义工具名称：

@tool("web_search")# 自定义名称defsearch(query:str)->str:"""Search the web for current information."""returnf"Web results for:{query}"@tool("database_search")# 另一个名称defsearch_db(query:str)->str:"""Search the internal customer database for records."""returnf"DB results for:{query}"

问题 2：并行调用时工具执行顺序混乱

原因：工具之间有依赖关系，不应该并行调用。

解决方案：对有依赖的工具关闭并行调用，或拆分为多个步骤：

# 无依赖的工具：并行调用llm_parallel=llm.bind_tools([get_weather,get_time],parallel_tool_calls=True)# 有依赖的工具：串行调用（关闭并行）llm_serial=llm.bind_tools([search_database,analyze_data],parallel_tool_calls=False)

问题 3：tool_choice=“any” 时模型调用了不相关的工具

原因：Any 模式强制调用，但模型可能选择不合适的工具。

解决方案：如果只需要特定工具，使用具体工具名模式：

注意：当模型处于思考模式（thinking mode）时，强制指定tool_choice为具体函数或required会触发 API 400 错误，提示参数不支持，此时需要关闭模型的思考能力。

llm_specific=llm.bind_tools([get_weather,get_time],tool_choice={"type":"function","function":{"name":"get_weather"}})

最佳实践

1. Auto 模式最常用：生产环境默认使用 Auto，让模型自行判断
2. Any 模式用于调试：开发阶段确认工具注册是否正确
3. 具体工具名用于强制场景：当业务逻辑要求必须使用某个工具时
4. Disabled 模式节省成本：闲聊或不需要工具的场景关闭工具调用
5. 并行调用提升效率：多个独立工具同时调用，减少总等待时间
6. 工具描述要独特：每个工具的描述应独一无二，避免模型混淆
7. 使用自定义工具名称：用@tool("custom_name")覆盖函数名，使工具名更清晰

总结

Tool Calling 的核心要点：

• 四种模式：Auto（自主）、Any（强制）、具体工具名（指定）、Disabled（禁用）
• bind_tools()：将工具绑定到模型，注入工具定义
• parallel_tool_call：并行调用独立工具，提升执行效率
• 场景适配：根据用户需求动态切换 tool_choice 模式
• 调试技巧：用 Any 模式快速验证工具注册状态

掌握了 Tool Calling 的四种模式和并行调用，你就能对模型的工具调用行为拥有完全的控制力，构建更高效、更可控的 AI 应用。