陕西网站设计,wordpress 网店模板,手机优化助手怎么关闭,能免费做婚礼邀请函的网站引言工具调用#xff08;Function Calling#xff09;是现代 AI Agent 的核心能力。CountBot 实现了一套完整的工具系统#xff0c;包含 12 内置工具#xff0c;支持参数验证、审计日志和动态注册。本文将深入分析其设计与实现。工具抽象基类class Tool(ABC):_TYPE_MAP {&…引言工具调用Function Calling是现代 AI Agent 的核心能力。CountBot 实现了一套完整的工具系统包含 12 内置工具支持参数验证、审计日志和动态注册。本文将深入分析其设计与实现。工具抽象基类class Tool(ABC): _TYPE_MAP { string: str, integer: int, number: (int, float), boolean: bool, array: list, object: dict, } property abstractmethod def name(self) - str: ... property abstractmethod def description(self) - str: ... property abstractmethod def parameters(self) - dict[str, Any]: ... abstractmethod async def execute(self, **kwargs: Any) - str: ...设计要点使用propertyabstractmethod确保子类必须提供元数据parameters返回标准 JSON Schema与 OpenAI Function Calling 格式完全兼容execute统一返回str简化结果处理参数验证系统Tool 基类内置了递归的 JSON Schema 验证器def validate_params(self, params: dict[str, Any]) - list[str]: schema self.parameters or {} return self._validate(params, {**schema, type: object}, ) def _validate(self, val, schema, path) - list[str]: t schema.get(type) errors [] # 类型检查 if t in self._TYPE_MAP and not isinstance(val, self._TYPE_MAP[t]): return [f{label} should be {t}] # 枚举检查 if enum in schema and val not in schema[enum]: errors.append(f{label} must be one of {schema[enum]}) # 数值范围 if t in (integer, number): if minimum in schema and val schema[minimum]: errors.append(f{label} must be {schema[minimum]}) # 递归验证嵌套对象和数组 if t object: for k in schema.get(required, []): if k not in val: errors.append(fmissing required {k}) return errors这个验证器在工具执行前自动运行防止无效参数导致的运行时错误。工具注册表class ToolRegistry: def __init__(self): self._tools: dict[str, Tool] {} self._audit_enabled: bool True self._session_id: str | None None def register(self, tool: Tool) - None: if tool.name in self._tools: raise ValueError(fTool {tool.name} is already registered) self._tools[tool.name] tool def get_definitions(self) - list[dict]: 获取所有工具的 OpenAI 格式定义 return [tool.get_definition() for tool in self._tools.values()]注册表负责工具的注册/注销/查询生成 OpenAI 格式的工具定义列表管理审计日志和会话上下文统一注册入口setup.py提供了统一的工具注册函数def register_all_tools(workspace, command_timeout30, ...) - ToolRegistry: tools ToolRegistry() # 1. 文件系统工具 tools.register(ReadFileTool(workspace)) tools.register(WriteFileTool(workspace)) tools.register(EditFileTool(workspace)) tools.register(ListDirTool(workspace)) # 2. Shell 工具 tools.register(ExecTool(workspace, timeoutcommand_timeout)) # 3. Web 工具条件注册 if brave_api_key: tools.register(WebSearchTool(api_keybrave_api_key)) tools.register(WebFetchTool()) # 4. 子代理工具条件注册 if subagent_manager: tools.register(SpawnTool(subagent_manager)) # 5. 记忆工具、截图工具、文件搜索工具... return tools条件注册模式确保只有配置了必要依赖的工具才会被注册。内置工具一览工具名类功能read_fileReadFileTool读取文件内容write_fileWriteFileTool写入文件edit_fileEditFileTool编辑文件按文本或行号list_dirListDirTool列出目录内容execExecTool执行 Shell 命令web_fetchWebFetchTool抓取网页内容spawnSpawnTool生成子代理screenshotScreenshotTool屏幕截图file_searchFileSearchTool文件内容搜索memory_write/search/readMemory*Tool记忆读写搜索send_mediaSendMediaTool发送媒体到渠道工作空间沙箱文件系统工具通过WorkspaceValidator实现路径沙箱class WorkspaceValidator: def __init__(self, workspace: Path, restrict_to_workspace: bool True): self._workspace workspace.resolve() self._restrict restrict_to_workspace def validate_path(self, path: str) - Path: resolved (self._workspace / path).resolve() if self._restrict and not str(resolved).startswith(str(self._workspace)): raise ValueError(f路径 {path} 超出工作空间范围) return resolved这确保 AI Agent 无法访问工作空间之外的文件是安全设计的关键一环。工具定义生成每个工具通过get_definition()生成 OpenAI 兼容的函数定义def get_definition(self) - dict[str, Any]: return { type: function, function: { name: self.name, description: self.description, parameters: self.parameters, }, }这些定义会被传递给 LLM让 LLM 了解可用的工具及其参数格式。总结CountBot 的工具系统展示了如何构建一个类型安全、可扩展、安全可控的 AI 工具框架。通过 ABC 定义接口、JSON Schema 描述参数、注册表管理生命周期、沙箱保障安全形成了一套完整的工具管理方案。学习资源推荐如果你想更深入地学习大模型以下是一些非常有价值的学习资源这些资源将帮助你从不同角度学习大模型提升你的实践能力。一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量。