首页
/ Rig项目中LLM工具调用消息角色错误问题分析

Rig项目中LLM工具调用消息角色错误问题分析

2025-06-24 10:55:16作者:裴锟轩Denise

问题背景

在Rig项目(一个基于LLM的代理系统)中,发现了一个关于大型语言模型(LLM)工具调用的关键实现错误。当LLM调用外部工具并获取结果后,系统错误地将工具返回结果标记为"user"角色的消息,而非专用的"tool"或"function"角色消息。这一错误导致LLM无法正确识别工具返回结果,进而进入无限循环调用工具的异常状态。

技术细节分析

错误现象

从日志中可以清晰观察到问题现象:

  1. 用户发起初始请求
  2. LLM代理正确识别需要调用list_tables_tool工具
  3. 工具成功执行并返回结果(包含_sqlx_migrations和users两个表)
  4. 但系统将工具结果作为"user"消息加入对话历史
  5. LLM再次识别为需要调用工具,形成无限循环

根本原因

问题的核心在于违反了主流LLM API(包括OpenAI和Qwen等)关于工具调用的规范。正确的工具调用流程应该遵循以下消息序列:

  1. 用户消息(user)
  2. 助手消息(assistant)包含工具调用请求
  3. 工具消息(tool/function)包含工具执行结果
  4. 助手消息(assistant)给出最终响应

而当前实现错误地将第3步的工具结果消息标记为了用户消息,导致LLM无法正确理解上下文。

当前错误实现

项目当前的Message枚举定义如下:

#[derive(Clone, Debug, Deserialize, Serialize, PartialEq)]
#[serde(tag = "role", rename_all = "lowercase")]
pub enum Message {
    User { 
        content: OneOrMany<UserContent> 
    },
    Assistant {
        content: OneOrMany<AssistantContent>,
    },
}

工具结果被错误地添加为User消息:

chat_history.push(Message::User { 
    content: OneOrMany::many(tool_content) 
});

解决方案

正确的消息结构设计

需要扩展Message枚举以支持工具角色消息。参考主流实现,建议采用如下结构:

#[derive(Debug, Serialize, Deserialize, PartialEq, Clone)]
#[serde(tag = "role", rename_all = "lowercase")]
pub enum Message {
    User {
        content: String,
        images: Option<Vec<String>>,
        name: Option<String>,
    },
    Assistant {
        content: String,
        images: Option<Vec<String>>,
        name: Option<String>,
        tool_calls: Vec<ToolCall>,
    },
    System {
        content: String,
        images: Option<Vec<String>>,
        name: Option<String>,
    },
    #[serde(rename = "tool")]
    ToolResult {
        tool_call_id: String,
        content: OneOrMany<ToolResultContent>,
    },
}

正确的工具结果添加方式

工具结果应当使用专用角色添加:

chat_history.push(Message::ToolResult {
    tool_call_id: tool_call.id.clone(),
    content: OneOrMany::one(ToolResultContent::from(output)),
});

技术影响分析

这一修复将带来以下改进:

  1. 符合规范:与OpenAI和Qwen等主流LLM API的工具调用规范保持一致
  2. 避免循环:LLM能正确识别工具结果,不再陷入无限调用循环
  3. 可扩展性:为未来支持更复杂的工具调用场景奠定基础
  4. 互操作性:更容易与其他LLM系统集成和交互

实现建议

在实际实现时,还需要考虑:

  1. 向后兼容性:确保现有代码能处理新的消息类型
  2. 错误处理:工具调用失败时的消息处理机制
  3. 多工具支持:同时处理多个工具调用的结果
  4. 上下文管理:合理控制对话历史长度,避免因工具调用导致上下文膨胀

总结

在基于LLM的系统中,严格遵守消息角色规范对于工具调用的正确性至关重要。Rig项目的这一修复不仅解决了当前的问题,也为系统未来的功能扩展提供了更健壮的基础架构。对于开发者而言,理解LLM交互中的消息角色语义是构建可靠AI应用的关键技能之一。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K
kernelkernel
deepin linux kernel
C
22
6
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553
nop-entropynop-entropy
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
8
0
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511