一文带你掌握LangChain中的bind，打造更聪明的智能应用

Bind

单一函数模式

bind 是 LangChain Expression Language（LCEL）中的一个关键方法，用于将模型与外部函数调用进行绑定。

你可以把它理解为：我提前告诉模型「你可以调用这些函数，并且它们的功能和参数是这样的」，模型在生成回答时就可以按需触发函数调用，而不是只是给你一个文本答案。

我们还是拿前两节课Function Call里天气查询的例子进行演示：

functions = [
    {
      "name": "weather_search",
      "description": "Search for weather given an airport code",
      "parameters": {
        "type": "object",
        "properties": {
          "airport_code": {
            "type": "string",
            "description": "The airport code to get the weather for"
          },
        },
        "required": ["airport_code"]
      }
    }
  ]

假如我们想要指定大模型的任务是调查天气的话，我们就可以在设置的语言模型后面加上.bind(functions=functions)来告诉模型它可以使用这个函数（这里有一个前提就是model要使用ChatOpenAI的方式，而非前面使用的ChatTongyi，这是因为ChatTongyi并不支持OpenAI格式的Function Call，当然这个api_key写入的还是阿里云百炼大模型的api_key）：

prompt = ChatPromptTemplate.from_messages(
    [
        ("human", "{input}")
    ]
)

# 初始化通义千问模型
model = ChatOpenAI(
    model="qwen-turbo",
    openai_api_key='你的api_key',
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"
).bind(functions=functions)

runnable = prompt | model

response = runnable.invoke({"input": "广州"})

print(response)

模型会自动解析你的意图，并生成一个 function call，调用 weather_search。当然由于我们这里并没有真正写入这个函数，所以我们看到终端里并没有真正的显示结果。但是我们可以从输入内容中看到确实调用了Function Call且传入了关键词”CAN“。

content='' additional_kwargs={'function_call': {'arguments': '{"airport_code": "CAN"}', 'name': 'weather_search'}} response_metadata={'token_usage': {'completion_tokens': 18, 'prompt_tokens': 176, 'total_tokens': 194, 'completion_tokens_details': None}, 'model_name': 'qwen-turbo', 'system_fingerprint': None, 'finish_reason': 'function_call', 'logprobs': None} id='run-6cc1d1d8-aa12-4611-96ba-7c53570b9ce5-0'

多函数模式

当然我们也可以尝试使用多函数的模式，比如我们多写入一个sport_search的内容：

functions = [
    {
      "name": "weather_search",
      "description": "Search for weather given an airport code",
      "parameters": {
        "type": "object",
        "properties": {
          "airport_code": {
            "type": "string",
            "description": "The airport code to get the weather for"
          },
        },
        "required": ["airport_code"]
      }
    },
        {
      "name": "sports_search",
      "description": "Search for news of recent sport events",
      "parameters": {
        "type": "object",
        "properties": {
          "team_name": {
            "type": "string",
            "description": "The sports team to search for"
          },
        },
        "required": ["team_name"]
      }
    }
  ]

模型将会根据你的问题内容，智能选择调用哪个函数。例如：

输入：“What’s the weather in LAX?” → 调用 weather_search
输入：“How did the Lakers do yesterday?” → 调用 sports_search

这就是“工具智能体”（Tool-using Agent）的雏形。

我们使用类似的方法调用一下：

# 初始化通义千问模型
model = ChatOpenAI(
    model="qwen-turbo",
    openai_api_key='你的api_key',
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"
).bind(functions=functions)

runnable = prompt | model

response = runnable.invoke({"input": "昨天中国队赢了吗？"})

print(response)

这个时候我们就能看到结果不单单是调用天气了，而是使用的是运动相关的搜索工具了。

content='' additional_kwargs={'function_call': {'arguments': '{"team_name": "China"}', 'name': 'sports_search'}} response_metadata={'token_usage': {'completion_tokens': 18, 'prompt_tokens': 248, 'total_tokens': 266, 'completion_tokens_details': None}, 'model_name': 'qwen-turbo', 'system_fingerprint': None, 'finish_reason': 'function_call', 'logprobs': None} id='run-d8379e2d-a8c0-4074-bffa-886d7e588926-0'

完整代码如下所示：

from langchain_community.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate

functions = [
    {
      "name": "weather_search",
      "description": "Search for weather given an airport code",
      "parameters": {
        "type": "object",
        "properties": {
          "airport_code": {
            "type": "string",
            "description": "The airport code to get the weather for"
          },
        },
        "required": ["airport_code"]
      }
    },
        {
      "name": "sports_search",
      "description": "Search for news of recent sport events",
      "parameters": {
        "type": "object",
        "properties": {
          "team_name": {
            "type": "string",
            "description": "The sports team to search for"
          },
        },
        "required": ["team_name"]
      }
    }
  ]

prompt = ChatPromptTemplate.from_messages(
    [
        ("human", "{input}")
    ]
)
# 初始化通义千问模型
model = ChatOpenAI(
    model="qwen-turbo",
    openai_api_key='你的api_key',
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"
).bind(functions=functions)

runnable = prompt | model

response = runnable.invoke({"input": "广州"})

print(response)

response = runnable.invoke({"input": "昨天中国队赢了吗？"})\

print(response)