https://www.luochang.ink/tags/function-calling/ Recent content in Function Calling on Chang Luo Hugo zh-CN Sun, 15 Jun 2025 00:00:00 +0000 https://www.luochang.ink/posts/agent_project/ Sun, 15 Jun 2025 00:00:00 +0000 https://www.luochang.ink/posts/agent_project/ <blockquote> <p>大模型天生具有幻觉，为了工程的准确性，我们奉行“非必要不Agent”原则。我们是专业的，除非忍不住，否则绝不用 Agent。</p> </blockquote> <p>特别声明：本文使用 <a href="https://github.com/QwenLM/Qwen-Agent">Qwen Agent</a> 实现。</p> <p>本文包含以下两个项目：</p> <p><strong>1）智能路由</strong></p> <p><strong>概述</strong>：如果一个业务可以分很多种情况处理。针对每种情况，我们开发一个工具函数 (Function Calling)，来处理此种情况内部的复杂性。此时，Agent 充当智能路由的角色，将对应的情况路由到对应的工具函数。工具函数内部带有描述信息，Agent 可以访问这些信息，以此判断在何种情况下，调用这个工具函数。</p> <p>具体来讲，本项目开发了一个 <strong>客诉核查 Agent</strong>。针对 物流逾期 和 假货 两种客诉，分别开发了对应的工具函数。<strong>Agent 通过接入工具函数，获得了核查以上两种客诉真实性的能力</strong>。当我们将客诉信息传递给 Agent，它会输出针对该客诉的 <strong>核查结论</strong> 和 <strong>相应证据</strong>。</p> <p><strong>2）数据库查询优化</strong></p> <p><strong>概述</strong>：数据库查询是一个非常通用的需求，其中 <strong>NL2SQL</strong> 是难点。为了提升 NL2SQL 的准确性，很容易想到把数据表的 Schema、样例数据、个别字段的枚举值作为上下文 (context) 注入到原始 Prompt 中。本项目实现了这一点。</p> <p>具体来说，本项目做了以下工作：</p> <ul> <li>启用 Qwen Agent 的 <strong>ReActChat</strong> 模式，以提升多步骤情况下的性能</li> <li>开发定制的 <strong>Workflow</strong>，用于将 Schema 等上下文信息注入原始 Prompt 中</li> <li>开发可流式对话的 <strong>Gradio WebUI</strong>，以方便调试 Agent 和 Workflow</li> </ul> <p>✨ 所有代码见 GitHub 仓库：<a href="https://github.com/luochang212/agent-project">luochang212/agent-project</a></p> <!-- - 智能路由代码见：[intelligent_routing](https://github.com/luochang212/agent-project/tree/main/intelligent_routing) - 数据库查询优化代码见： - Agent: [gradio_postgres_agent.py](https://github.com/luochang212/agent-project/blob/main/gradio_postgres_agent.py) - Workflow: [gradio_postgres_workflow.py](https://github.com/luochang212/agent-project/blob/main/gradio_postgres_workflow.py) --> <h2 id="一引言">一、引言</h2> <h3 id="1-尚未到来的涌现">1. 尚未到来的涌现</h3> <blockquote> <p>We always overestimate the change that will occur in the next two years and underestimate the change that will occur in the next ten. &ndash; Bill Gates</p>