引言

在人工智能与自然语言处理的浪潮中，大语言模型如同一位无所不能的智能助手，为我们解决了一个又一个难题。LangChain，作为这一领域的佼佼者，为我们提供了强大的工具来构建基于语言模型的应用。而Ollama，则是一个轻松运行各种语言模型的平台。今天，我们将一起探索如何利用LangChain和Ollama，通过函数调用功能来获取特定城市的天气信息。

环境准备

在开始之前，确保你已经安装了必要的库：

pip install langchain Ollama pydantic

同时，启动Ollama服务并加载deepseek - r1:1.5b模型：

http://localhost:11434

代码实现

3.1 定义函数模型

首先，我们定义一个GetWeather类，继承自pydantic的BaseModel，用于描述获取天气信息函数的参数和实现：

from pydantic import BaseModel, Field
import json

class GetWeather(BaseModel):
    city: str = Field(description="城市")

    def run(self):
        weather_info = {"city": self.city, "temperature": "25°C", "condition": "Sunny"}
        return json.dumps(weather_info)

这里的city是函数的参数，代表要查询天气的城市。run方法模拟了获取天气信息的过程，返回一个包含城市、温度和天气状况的JSON字符串。

3.2 封装函数调用类

接下来，我们创建一个LceFunctionCall类，用于封装函数调用的逻辑：

from langchain.chat_models import ChatOllama
from langchain.utils.openai_functions import convert_pydantic_to_openai_function
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

class LceFunctionCall(object):
    def __init__(self, model, base_url):
        self.__chat = ChatOllama(model=model, base_url=base_url, streaming=True)

    def invoke(self, city):
        prompt = ChatPromptTemplate.from_messages([
            SystemMessage(content="你是一个聪明的助手，能根据用户需求调用合适的函数"),
            HumanMessage(content="请调用 GetWeather 函数来获取{city}的天气信息")
        ])
        function_schema = convert_pydantic_to_openai_function(GetWeather)

        chain = (
            {"city": RunnablePassthrough()}
            | prompt
            | add_functions_to_model
            | StrOutputParser()
        )

        for chunk in chain.stream({"city": city}):
            if chunk:
                full_response = ""
                full_response += chunk
                print(chunk, end="", flush=True)

                try:
                    function_call = json.loads(full_response)
                    if "name" in function_call and function_call["name"] == "GetWeather":
                        params = function_call["parameters"]
                        weather = GetWeather(**params).run()
                        print(f"\n天气信息: {weather}")
                        full_response = ""
                except json.JSONDecodeError:
                    continue

3.3 主程序调用

最后，在主程序中创建LceFunctionCall类的实例，并调用invoke方法获取深圳的天气信息：

if __name__ == "__main__":
    lcel = LceFunctionCall(model="deepseek-r1:1.5b", base_url="http://localhost:11434")
    lcel.invoke(city="深圳")

代码解释

4.1 函数调用机制

通过LangChain的convert_pydantic_to_openai_function方法，我们将GetWeather类转换为模型可以理解的函数模式。在调用模型时，将函数模式作为参数传递给模型，模型会根据提示信息判断是否需要调用该函数。

4.2 流式输出处理

使用ChatOllama的流式输出功能，我们可以逐块获取模型的响应，提高用户体验。在处理流式输出时，我们需要将每一块内容拼接成完整的响应，并尝试解析为JSON格式。如果解析成功且包含函数调用信息，则调用相应的函数并输出结果。

注意事项

• 模型支持：目前deepseek - r1:1.5b模型对函数调用的支持情况可能有限，你可能需要根据实际情况调整模型或提示信息。
• 错误处理：在实际应用中，需要对函数调用和JSON解析过程中的错误进行更完善的处理，以确保程序的稳定性。

总结

通过本文的介绍，你学会了如何使用LangChain和Ollama实现函数调用，获取特定城市的天气信息。这种方法可以扩展到其他领域，如调用数据库查询、调用API接口等。希望本文能帮助你更好地利用LangChain和Ollama构建强大的语言模型应用。

赶快动手试试吧！