首页 > 营销学院 > 技术知识

LangChain代理与OpenAI函数调用：解决工具执行失败问题

本文深入探讨了langchain csv/pandas代理在使用特定大型语言模型（llm）时，未能执行工具函数，反而直接返回json函数调用描述的问题。核心原因在于llm未针对openai函数调用格式进行微调。文章提供了两种解决方案：一是切换至支持openai函数调用的模型，如gpt系列；二是更改代理类型为`zero_shot_react_description`，以适应非函数调用模型。通过代码示例，指导开发者正确配置langchain代理，确保其功能正常运行。

理解LangChain代理与工具调用机制

LangChain框架中的代理（Agents）旨在赋予大型语言模型（LLM）使用外部工具的能力，以执行特定任务，例如数据分析、信息检索或代码执行。CSV代理和Pandas Dataframe代理是langchain-experimental库中常用的工具包，它们允许LLM通过Python代码对CSV数据进行操作和分析。

当使用AgentType.OPENAI_FUNCTIONS类型的代理时，LangChain会利用OpenAI模型特有的函数调用能力。在这种模式下，LLM接收用户请求后，会生成一个结构化的JSON对象，描述需要调用的工具及其参数。LangChain代理的预期行为是接收到这个JSON后，自动调用对应的工具（例如Python REPL），执行代码，并将结果反馈给LLM，最终由LLM生成自然语言的回复。

问题描述：代理未能执行工具调用

在某些情况下，开发者可能会遇到LangChain代理未能按预期执行工具的问题。具体表现为，当代理接收到LLM生成的JSON函数调用描述后，它没有进一步调用工具，而是直接将这个JSON对象作为结果返回给了用户。例如，当用户提问“有多少行？”时，代理本应执行df.shape[0]或len(df)并返回数字结果，但却可能返回如下JSON：

{
  "function": "python_repl_ast",
  "parameters": {
    "query": "len(df)"
  }
}

这表明LLM成功识别了需要执行的操作并以函数调用格式输出了指令，但代理层并未将这些指令转化为实际的工具执行。

根本原因分析：LLM与函数调用格式的兼容性

此问题的核心在于所使用的大型语言模型（LLM）与OpenAI函数调用格式的兼容性。AgentType.OPENAI_FUNCTIONS代理类型依赖于LLM能够理解并生成符合OpenAI函数调用规范的JSON结构。然而，并非所有LLM都经过了这种特定格式的微调。例如，mistralai/mixtral-8x7b-instruct等模型，在未经额外微调的情况下，可能无法正确地与OpenChain的OPENAI_FUNCTIONS代理类型协同工作，导致它们虽然能“模仿”生成JSON，但代理却无法将其识别为可执行的函数调用。

解决方案

解决此问题主要有两种策略，分别从LLM选择和代理类型配置两方面入手。

方案一：更换支持OpenAI函数调用的LLM

最直接的解决方案是使用明确支持OpenAI函数调用的模型。OpenAI官方提供的模型，如gpt-3.5-turbo和gpt-4系列，都经过了专门的微调，能够完美地与AgentType.OPENAI_FUNCTIONS配合。

Copymatic

Cowriter是一款AI写作工具，可以通过为你生成内容来帮助你加快写作速度和激发写作灵感。

149 查看详情 Copymatic

示例代码修改：

import os
from langchain.chat_models import ChatOpenAI
from langchain.agents.agent_types import AgentType
from langchain_experimental.agents.agent_toolkits import create_csv_agent

# ... 其他不变的配置 ...

def main():
    filepath = input("Enter the path to the CSV file: ")

    # 更改LLM模型为支持OpenAI函数调用的模型
    # 例如，使用OpenAI官方的gpt-3.5-turbo
    # 注意：如果使用OpenRouter，请确保其代理的gpt-3.5-turbo模型支持函数调用
    chat_model_openai_functions_compatible = ChatOpenAI(
        api_key=os.environ.get("OPENAI_API_KEY"), # 使用OpenAI官方API Key
        model="gpt-3.5-turbo", # 更改为支持函数调用的模型
        temperature=0.0,
    )

    agent = create_csv_agent(
        chat_model_openai_functions_compatible, # 使用兼容的LLM
        filepath,
        verbose=True,
        # openai_model参数通常在create_csv_agent内部处理，如果外部ChatOpenAI已指定，此处可省略
        # agent_type保持为OPENAI_FUNCTIONS
        agent_type=AgentType.OPENAI_FUNCTIONS,
    )
    while True:
        user_message = input("You: ")
        lower_message = user_message.lower()
        if lower_message == "goodbye" or lower_message == "goodbye!":
            break
        response = agent.run(user_message)
        print(f"Agent: {response}")

if __name__ == "__main__":
    main()

注意事项：

确保您有相应模型的API密钥。
如果您通过OpenRouter等代理服务访问模型，请确认该服务提供的gpt-3.5-turbo或其他模型确实支持OpenAI的函数调用规范。

方案二：更改代理类型以适应非函数调用模型

如果必须使用不支持OpenAI函数调用格式的模型（例如，出于成本、性能或特定模型特性考虑），则需要更改代理的类型。AgentType.ZERO_SHOT_REACT_DESCRIPTION是一种常见的替代方案。这种代理类型不依赖于LLM生成结构化的JSON函数调用，而是通过LLM生成一系列文本形式的思考（Thought）和行动（Action）指令，LangChain代理会解析这些文本指令并执行相应的工具。

示例代码修改：

import os
from langchain.chat_models import ChatOpenAI
from langchain.agents.agent_types import AgentType
from langchain_experimental.agents.agent_toolkits import create_csv_agent

api_key = os.environ.get("OPENROUTER_API_KEY")
api_base = "https://openrouter.ai/api/v1"
model = "mistralai/mixtral-8x7b-instruct" # 保持使用原模型

chat_model = ChatOpenAI(
    api_key=api_key,
    base_url=api_base,
    model=model,
    temperature=0.0,
)

def main():
    filepath = input("Enter the path to the CSV file: ")

    agent = create_csv_agent(
        chat_model,
        filepath,
        verbose=True,
        # 移除openai_model参数，因为它通常与OPENAI_FUNCTIONS类型相关联
        # 更改代理类型为ZERO_SHOT_REACT_DESCRIPTION
        agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    )
    while True:
        user_message = input("You: ")
        lower_message = user_message.lower()
        if lower_message == "goodbye" or lower_message == "goodbye!":
            break
        response = agent.run(user_message)
        print(f"Agent: {response}")

if __name__ == "__main__":
    main()

注意事项：

ZERO_SHOT_REACT_DESCRIPTION代理类型会生成更长的交互日志（当verbose=True时），因为它会详细记录LLM的思考过程。
不同的代理类型对LLM的提示词（prompt）结构有不同的要求，但LangChain的create_csv_agent等工具包会负责处理这些内部细节。
除了ZERO_SHOT_REACT_DESCRIPTION，LangChain还提供了其他多种代理类型，开发者可以根据所用LLM的特点和具体需求进行选择。

总结

在LangChain中，当CSV/Pandas代理未能执行工具调用而直接返回JSON函数描述时，通常是由于所选LLM与AgentType.OPENAI_FUNCTIONS所需的OpenAI函数调用格式不兼容。解决此问题的关键在于：要么选择一个明确支持OpenAI函数调用的LLM（如gpt-3.5-turbo），要么将代理类型切换为ZERO_SHOT_REACT_DESCRIPTION等不依赖于特定函数调用格式的类型。理解并正确配置LLM与代理类型之间的匹配关系，是确保LangChain代理正常工作的关键。

以上就是LangChain代理与OpenAI函数调用：解决工具执行失败问题的详细内容，更多请关注其它相关文章！

# 依赖于 # seo成长心得 # 学校推广营销意义是什么 # 哪里有seo服务 # 深圳麦风科技seo # 推广书籍的软文营销方案 # 有效的seo优化ppt # 红色餐饮营销推广 # 主板优化教程视频下载网站 # 淘宝seo排名优化流程 # 徐州建设网站的公司 # 自然语言 # 是一种 # 如果您 # 情况下 # 结构化 # react # 提供给 # 工具包 # 后端 # 加载 # gpt-4 # gpt # openai # ai # csv # 工具 # go # json # js # python

相关栏目：【 Google疑问12 】【 Facebook疑问10 】【优化推广96088 】【技术知识133117 】【 IDC资讯59369 】【网络运营7196 】【 IT资讯61894 】

2025-11-05

SQL多表关联如何理解_核心原理解析助你掌握关键方法【教程】 SQL多表连接如何理解_JOIN关联关系详细步骤解析【指导】 SQL多表连接结果异常怎么办_JOIN条件排查方法解析【指导】 SQL索引下推是什么_ICP机制性能提升原理【教程】 SQL跨表统计怎么写_重要技巧总结提升查询效率【技巧】 SQL注入如何防护_完整逻辑拆解助力系统化掌握【技巧】 SQL上传文件信息建模方法_SQL存储文件元数据方案 SQL多语种存储方案设计_SQL字符集选择策略 SQL字符串处理如何编写_重要技巧总结提升查询效率【教学】 SQL去重查询怎么实现_优化思路讲解帮助高效处理数据【技巧】 SQL统计复购用户怎么做_多次行为分析SQL思路【教程】 SQL字符串处理如何编写_优化思路讲解帮助高效处理数据【教程】 SQL动态字段解析技巧_SQL解析JSON多层字段 SQL线上慢SQL如何治理_规范与工具实践总结【技巧】 SQL表结构如何演进_兼容老数据设计思路【教程】 SQL排序规则如何设置_ORDERBY排序原理与性能说明【指导】 SQL去重查询怎么实现_真实案例解析强化复杂查询思维【教学】 SQL按字段范围分批处理_SQL避免长时间锁表 SQL统计不同字段组合数量_多列聚合查询技巧【技巧】 SQL多字段去重怎么处理_GROUPBY去重思路说明【教学】

了解您产品搜索量及市场趋势，制定营销计划

同行竞争及网站分析保障您的广告效果

点击免费数据支持

提交您的需求，1小时内享受我们的专业解答。

运城市盐湖区信雨科技有限公司

运城市盐湖区信雨科技有限公司是一家深耕海外推广领域十年的专业服务商，作为谷歌推广与Facebook广告全球合作伙伴，聚焦外贸企业出海痛点，以数字化营销为核心，提供一站式海外营销解决方案。公司凭借十年行业沉淀与平台官方资源加持，打破传统外贸获客壁垒，助力企业高效开拓全球市场，成为中小企业出海的可靠合作伙伴。