解决ag2项目中Anthropic模型工具签名验证问题
在ag2项目开发过程中,我们遇到了一个关于Anthropic模型工具签名验证的有趣技术问题。这个问题涉及到当工具参数包含自定义类时,Anthropic模型无法正确解析工具签名的情况。
问题现象
开发人员在使用Anthropic的Claude模型时发现,当注册的工具函数参数中包含自定义类(特别是TypedDict定义的类)时,模型会返回400错误。错误信息明确指出工具签名不符合JSON Schema draft 2020-12规范。具体表现为模型无法处理工具签名中的"$ref"引用路径。
技术分析
问题的核心在于自动生成的工具签名中,对嵌套类型的引用路径格式不符合Anthropic模型的预期。系统自动生成的签名使用了"ref": "#/defs/class_test"这样的引用路径,而Anthropic模型要求更完整的路径格式"ref": "#/properties/class_test_list/defs/class_test"。
这种差异源于不同模型实现对于JSON Schema规范的解释差异。虽然其他LLM(如Llama 3)能够处理两种格式的引用路径,但Anthropic模型对此有更严格的要求。
解决方案
针对这个问题,我们采取了以下解决方案:
-
手动修正工具签名:通过update_tool_signature方法手动调整引用路径格式,使其符合Anthropic模型的要求。
-
类型定义优化:对于需要在工具参数中使用的复杂类型,建议使用更简单的数据结构,或者确保类型定义生成的JSON Schema符合更严格的标准。
-
自动化检测与转换:在框架层面增加对Anthropic模型的特殊处理,自动检测并转换不符合要求的引用路径格式。
最佳实践建议
为了避免类似问题,我们建议开发者在ag2项目中遵循以下实践:
- 当使用Anthropic模型时,特别注意复杂参数类型的定义
- 在注册工具后检查生成的工具签名是否符合预期
- 考虑为不同类型的模型实现差异化的工具签名生成逻辑
- 对于跨模型兼容性要求高的场景,尽量使用基本数据类型作为工具参数
这个问题展示了在不同LLM实现间保持兼容性的挑战,也提醒我们在设计工具接口时需要考虑到各模型实现的细微差异。通过这次经验,我们更加理解了JSON Schema在不同环境中的实现差异,这对未来设计跨模型兼容的工具系统提供了宝贵经验。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0148- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0111