给大模型添加联网功能的免费方案，以langchain为例

langchain介绍

LangChain 是一个用于开发由大型语言模型 (LLM) 驱动的应用程序的框架。简单来说，它可以帮助你更轻松地构建利用 LLM（例如 OpenAI 的 GPT 模型、Google 的 PaLM 模型等）的应用程序。

实践

给大模型添加联网功能也就是添加一个搜索引擎。一种方式就是先经过搜索引擎再把信息传给大模型进行回答，另一种就是使用function calling + 搜索引擎API 让大模型自己决定是否需要使用联网功能。

而免费的搜索引擎指的是duckduckgo，可能效果上没有付费的搜索引擎比如必应api与谷歌api好就是了，但是单纯用于测试联网功能的实现那也足够了。

首先先简单过一遍langchain的使用。

接入OpenAI的大模型并使用非流式与流式响应：

from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage, SystemMessage

api_key = "你的api_key"

model = init_chat_model("gpt-4o-mini", model_provider="openai",api_key=api_key)

print(model.invoke([HumanMessage(content="你是谁？")]))

messages = [
    HumanMessage("你是谁？"),
]
for token in model.stream(messages):
    print(token.content, end="|")

再试一下接入国内的大模型并使用非流式与流式响应：

from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage

api_key = "你的api_key"
base_url = "https://api.siliconflow.cn/v1"
model = init_chat_model("Qwen/Qwen2.5-72B-Instruct", model_provider="openai",api_key=api_key,base_url=base_url)

print(model.invoke([HumanMessage(content="你是谁？")]))

messages = [  
    HumanMessage("你是谁？"),
]
for token in model.stream(messages):
    print(token.content, end="|")

由于这个功能的实现，需要使用工具调用，现在来看看在langchain如何使用工具调用：

from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage
from langchain_core.tools import tool
from duckduckgo_search import DDGS

@tool
def add(a: int, b: int) -> int:
    """Adds a and b."""
    return a + b

tools = [add]

api_key = "你的api_key"
base_url = "https://api.siliconflow.cn/v1"
model = init_chat_model("Qwen/Qwen2.5-72B-Instruct", model_provider="openai",api_key=api_key,base_url=base_url)

llm_with_tools = model.bind_tools(tools)

query = "1+3等于几"

messages = [HumanMessage(query)]

ai_msg = llm_with_tools.invoke(messages)

print(ai_msg.tool_calls)

messages.append(ai_msg)

for tool_call in ai_msg.tool_calls:
    selected_tool = {"add": add}[tool_call["name"].lower()]
    tool_msg = selected_tool.invoke(tool_call)
    print(tool_msg)
    messages.append(tool_msg)

print(llm_with_tools.invoke(messages).content)

现在来使用duckduckgo：

from duckduckgo_search import DDGS

query = "mingupup是谁？"
results = DDGS().text(query, max_results=10)
print(results)

将搜索引擎与工具调用结合在一起：

from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage
from langchain_core.tools import tool
from duckduckgo_search import DDGS

@tool
def add(a: int, b: int) -> int:
    """Adds a and b."""
    return a + b

@tool
def get_web_data(query:str) -> str:
  """使用DuckDuckGo搜索引擎进行搜索"""

  results = DDGS().text(query, max_results=10)

  return results

tools = [add,get_web_data]

api_key = "你的api_key"
base_url = "https://api.siliconflow.cn/v1"
model = init_chat_model("Qwen/Qwen2.5-72B-Instruct", model_provider="openai",api_key=api_key,base_url=base_url)

llm_with_tools = model.bind_tools(tools)

query = "mingupup是谁？"

messages = [HumanMessage(query)]

ai_msg = llm_with_tools.invoke(messages)

print(ai_msg.tool_calls)

messages.append(ai_msg)

for tool_call in ai_msg.tool_calls:
    selected_tool = {"add": add,"get_web_data":get_web_data}[tool_call["name"].lower()]
    tool_msg = selected_tool.invoke(tool_call)
    print(tool_msg)
    messages.append(tool_msg)

print(llm_with_tools.invoke(messages).content)

以上就快速实现了简单的联网功能，如果你还想快速创建一个对话应用来测试联网功能，可以使用chainlit：

import chainlit as cl
from datetime import datetime
from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage
from langchain_core.tools import tool
from duckduckgo_search import DDGS

#@cl.step(type="tool")  # type: ignore
@tool
def get_time() -> str:
    """获取当前时间"""
    # 获取当前时间
    now = datetime.now()
    # 格式化时间为指定的字符串格式
    formatted_time = now.strftime("当前时间是：%Y年%m月%d日 %H:%M。")
    return formatted_time

#@cl.step(type="tool")  # type: ignore
@tool
def get_weather(city: str) -> str:
    """获取城市天气"""
    return f" {city} 天气晴，25度。"

#@cl.step(type="tool")  # type: ignore
@tool
def get_web_data(query:str) -> str:
    """使用DuckDuckGo搜索引擎进行搜索"""
    results = DDGS().text(query, max_results=10)

    return results

tools = [get_time,get_weather,get_web_data]

api_key = "你的api_key"
base_url = "https://api.siliconflow.cn/v1"
model = init_chat_model("Qwen/Qwen2.5-72B-Instruct", model_provider="openai",api_key=api_key,base_url=base_url)

llm_with_tools = model.bind_tools(tools)

@cl.on_chat_start
def on_chat_start():
    print("A new chat session has started!")
     # Set the assistant agent in the user session.
@cl.on_message
async def on_message(message: cl.Message): 
  
    response = cl.Message(content="")

    messages = [HumanMessage(message.content)]

    ai_msg = llm_with_tools.invoke(messages)

    print(ai_msg.tool_calls)

    messages.append(ai_msg)

    for tool_call in ai_msg.tool_calls:
        selected_tool = {"get_time": get_time,"get_weather": get_weather,"get_web_data":get_web_data}[tool_call["name"].lower()]
        tool_msg = selected_tool.invoke(tool_call)
        print(tool_msg)
        messages.append(tool_msg)

    for token in llm_with_tools.stream(messages):
        await response.stream_token(token.content)

    await response.send()
@cl.on_stop
def on_stop():
    print("The user wants to stop the task!")

@cl.on_chat_end
def on_chat_end():
    print("The user disconnected!")