emcie-co/parlant项目中ProblematicToolData的choices参数增强方案
2025-07-05 03:27:27作者:裴麒琰
背景介绍
在emcie-co/parlant项目中,ProblematicToolData是一个用于处理工具数据的核心组件。在日常使用中,开发人员经常遇到一个痛点:当某个参数基于枚举类型(enum)或选择提供器(choice_provider)时,API使用者往往不清楚该参数允许输入哪些有效值。
当前问题分析
目前系统存在两个主要缺陷:
-
参数值发现机制缺失:API无法方便地返回允许的参数值列表,导致开发者无法直观了解可用选项。这给API使用者带来了额外的学习成本,他们需要查阅文档或源代码才能确定有效输入值。
-
错误反馈不充分:当调用方提供了无效值时,系统仅返回"invalid value"这样的通用错误信息,而没有告知可接受的值范围。这种反馈机制不够友好,迫使客户端开发者需要通过试错方式来猜测有效值。
技术解决方案
核心改进点
通过在ProblematicToolData中添加choices参数,可以系统性地解决上述问题。这个参数将包含以下关键信息:
- 允许值列表:明确列出该参数所有可接受的有效值
- 值类型信息:提供每个值的类型定义
- 描述信息:可选地包含每个值的简短说明
实现细节
数据结构设计
class ProblematicToolData:
def __init__(self, ...):
# 现有参数
self.choices = None # 新增choices参数
def set_choices(self, choices):
"""设置允许的选择值"""
self.choices = choices
def validate(self, input_value):
"""验证输入值"""
if self.choices and input_value not in self.choices:
raise ValueError(
f"无效值'{input_value}'。允许的值为: {', '.join(self.choices)}"
)
枚举类型集成
对于基于枚举的参数,可以自动从枚举类中提取choices:
from enum import Enum
class Color(Enum):
RED = 'red'
GREEN = 'green'
BLUE = 'blue'
tool_data.set_choices([e.value for e in Color])
动态选择提供器支持
对于动态生成的选择项,可以通过choice_provider自动填充choices:
def get_available_languages():
return ['en', 'zh', 'es', 'fr']
tool_data.set_choices(get_available_languages())
预期收益
- 开发者体验提升:API使用者可以轻松获取参数允许值,减少文档查阅时间
- 调试效率提高:清晰的错误信息可以快速定位问题,减少无效尝试
- 系统可维护性增强:统一的值验证机制使代码更加健壮和一致
- 自动文档生成:choices信息可以方便地集成到API文档中
实际应用示例
假设有一个设置主题颜色的API参数:
# 旧版错误反馈
"error": "Invalid value 'yellow' for parameter 'theme_color'"
# 新版改进反馈
"error": "Invalid value 'yellow' for parameter 'theme_color'. Allowed values are: red, green, blue, dark, light"
总结
在emcie-co/parlant项目中为ProblematicToolData添加choices参数是一个简单但效果显著的改进。它不仅解决了当前API使用中的痛点,还为未来的功能扩展奠定了基础。这种改进体现了良好的API设计原则:透明、自描述和用户友好。通过提供明确的参数值范围和详细的错误反馈,可以显著提升开发者体验和系统可用性。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
671
155
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
309
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.84 K
React Native鸿蒙化仓库
JavaScript
259
322