本文主要是介绍ToolLLM model 以及LangChain AutoGPT Xagent在调用外部工具Tools的表现对比浅析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章主要谈及主流ToolLLM 以及高口碑Agent 在调用Tools上的一些对比，框架先上，内容会不断丰富与更新。
第一部分，ToolLLM model
先来说主打Function Call 的大模型们
OpenAI GPT
宇宙第一LLM，它的functionCall都知道，不展开说
NexusRaven
开源，可商用，function call的效果对比图，看起来好的让人不敢相信，当然，不敢相信的还有他的github星标涨得很慢，不知道数据是不是有水的成分
Gorilla
开源，可商用，github有8.7k星标，function call的效果接近于GPT3.5的能力，有微软和伯克利大学背书，可信度较高
ToolBench
这个项目(ToolLLM)旨在构建开源、大规模、高质量的指令调整
SFT 数据，以促进构建具有通用工具使用能力的强大LLMs。其目标是赋予开源 LLMs 掌握成千上万多样的真实世界API能力。
该开源项目，由OpenBMB (Open Lab for Big Model Base)机构—由面壁智能公司和清华NLP联合成立。 这家机构也是XAgent项目的发起者。
通过收集高质量的指令调整数据集来实现这一目标。其数据集使用最新的ChatGPT（gpt-3.5-turbo-16k）自动构建，升级了增强的函数调用功能。
项目本身提供数据集、相应的训练和评估脚本，以及在ToolBench上经过微调的强大模型ToolLLaMA。项目还用了一个可视化的Atlas Explorer来对自己所使用的数据指令进行了展示。
作者根据API，使用ChatGPT生成可能用到的指令，利用 {INST，API} 的格式训练API retriever。最后得到的prompt包含了任务的描述、API的文档、3个API的使用例。
ToolLLaMA展现了处理单一工具和复杂多工具指令的引人注目的能力，与ChatGPT的能力相当。
ToolLLaMA是针对原有的组织内部的 API 进行整理，思考哪些 API 是要精简、放到语料中进行 FT，经过几轮调试后最终得到的关于业务 API 的 Prompt 是真正可以称得上业务精华的。把这些东西放到 GPU 里面训，出一个可以跑 function call 的模型，这么做有两个好处，一个是由于 API 信息入了LLM，意味着平时调用的 Prompt 可以少写点字，提高了执行效率；第二得到一个「真懂业务」的 model，还是那句话，懂 API 的 model 才是好的垂类专家 model。
使用建议
对于tools的调用，功能刚刚齐备，文档介绍较少，参考案例和demo全无，且XAGent的环境搭建过程的问题会比较多，社区还不健全，填坑不易
第二部分，Agent调用外部Tools
来看一看具备Tools调用能力的，那些有影响力的Agents们
LangChain Agent
LangChain是伴随LLM而崛起的RAG工具，其Agent组件已开始展露头角
简单来说，用户向 LangChain 输入的内容未知。此时可以有一套工具集合（也可以自定义工具），将这套自定义工具托管给LLM，让其自己决定使用工具中的某一个（如果存在的话）
使用建议
对于tools的调用，参考案例都较为简单，需要自己扩展才能完成Tools的注册及调用，对于tools组合玩法缺少支持，智能程度有待提升。
AutoGPT
开源软件，地址在这里
在github上已达恐怖的155K的星标, Agents出名的原因也是由’AutoGPT’而起。
API Tools
可以通过插件的形式【API Tools】来调取外部的Tools，接受的外部工具调用的关键功能包括：
- 支持GET、POST、PUT、DELETE、PATCH、HEAD和OPTIONS
- 能尝试从用作参数的奇异值中进行恢复
- 接受自定义header值
使用疑虑
对于tools的调用，文档过于简短，参考案例和demo全无，需要自己琢磨
Xagent
为调用外部工具进行了专门的优化，感觉有点像微软的Gorilla（一种大模型，ToolLLM）和AutoGPT的合体
该开源项目，由OpenBMB (Open Lab for Big Model Base)机构—由面壁智能公司和清华NLP联合成立。 这家机构也是上方ToolBench项目的发起者。
XAgent的框架，使用了Fastapi，它是一个基于 python 的框架，该框架鼓励使用 Pydantic 和 OpenAPI (以前称为 Swagger) 进行文档编制，使用 Docker 进行快速开发和部署以及基于 Starlette 框架进行的简单测试。
ToolServer
ToolServer 的关键组件包括：ToolServerNode、ToolServerMonitor、ToolServerManager，在执行操作、节点检查、周期管理等方面提供强大的能力。
目前，XAgent 的 ToolSever 支持 FileSystemEnv、PythonNotoBook、WebEnv、ExecuteShell、RapidAPIEnv、AskHumanforHelp 等多种工具。
使用建议
该项目和上面的ToolBench项目都系出一家机构，可以想象，将来二者会有双向奔赴的可能，作为国内顶尖学府支持的项目，还是很有想象空间的。
补充说明
无论是训练ToolLLM，还是创作Agent调用Tool，都是想解决垂类行业落地的问题
ToolLLM和Agent调用LLM和TOOL这两张方案，前者是让大模型奔向API，后者是通过prompt让API奔向大模型，鱼和熊掌，当前看两条技术路线，似乎难以同时兼得，实施过程中也是各有利弊，技术还在不停演进中，抬头思考中前行~~
这篇关于ToolLLM model 以及LangChain AutoGPT Xagent在调用外部工具Tools的表现对比浅析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
