使用工具打造聊天機器人：一個基於 Jupyter Notebook 的實作範例

使用工具打造聊天機器人：一個基於 Jupyter Notebook 的實作範例¶

繼上一篇文章介紹了 MCP 的概念之後，本次我們將動手實作，先在 Jupyter Notebook 環境中打造一個聊天機器人範本。這個範例將展示如何在不依賴外部框架的情況下，透過直接定義並執行工具，賦予語言模型處理更複雜查詢的能力。整個範例涵蓋了工具的定義、執行機制，以及聊天機器人核心程式碼的建構。

功能強大的兩大工具¶

這個聊天機器人依賴兩個核心工具來執行任務：

search_papers (論文搜尋)：

• 功能：這個工具會根據一個給定的主題，在 arXiv 平台上搜尋相關論文，並將其資訊（標題、作者、摘要、論文網址和發表日期）儲存成 JSON 檔案。
• 特別之處：這些 JSON 檔案會依主題分類，存放在 papers 目錄中，但此工具並不會下載論文本身。

• 參數：topic（要搜尋的主題）和 max_results（要檢索的最大論文數量，預設為 5 篇）。
  extract_info (資訊提取)：

• 功能：在 papers 目錄下的所有主題資料夾中，尋找並提取特定論文的詳細資訊。

• 參數：paper_id（要尋找的論文 ID）。
• 回傳值：如果找到論文，會回傳包含該論文資訊的 JSON 字串；如果找不到，則回傳錯誤訊息。

工具與語言模型的溝通橋樑¶

為了讓語言模型知道如何使用這些工具，我們需要定義工具的「模式」（Schema）並建立一個執行機制。

• 工具模式（Tool Schema）：在 tools 這個 JSON 物件中，我們詳細定義了每個工具的名稱、功能描述以及所需的參數。語言模型會參考這個模式，判斷何時以及如何調用工具來完成使用者的請求。
• 工具映射與執行（Tool Mapping and Execution）：execute_tool 函數扮演著關鍵角色。它會將語言模型決定的工具名稱與其對應的 Python 函數（search_papers 或 extract_info）連結起來並執行。此外，它還負責將工具的執行結果格式化，以便語言模型能輕鬆地理解並用於生成最終回應。

聊天機器人的運作邏輯¶

這個聊天機器人以簡單而有效的方式運作。它會一個一個處理使用者的查詢，但不會在不同查詢之間保留對話記憶。

• process_query：這是處理單次查詢的核心函數。它會將使用者的問題傳送給語言模型，然後進入一個循環。如果語言模型決定呼叫工具，process_query 會執行該工具，並將結果回傳給模型，讓模型根據新的資訊繼續對話，直到產生最終的自然語言回應。
• chat_loop：這個函數提供了一個互動介面，讓使用者可以持續輸入查詢，直到輸入 quit 退出。

立即體驗¶

https://github.com/1daniel3333/mcp_trial/blob/main/L3.ipynb

您可以隨意與這個聊天機器人互動。這裡有一個範例查詢：

• 搜尋兩篇關於「LLM 可解釋性」的論文
  要存取 papers 資料夾並查看工具儲存的論文檔案，請在 Jupyter Notebook 中依序點擊選單上的 檔案 (File) → 開啟 (Open) → L3。