Langchain-ChatGLM项目中Xinference平台工具调用问题的分析与解决

在Langchain-ChatGLM项目0.3.1版本中，开发者发现了一个与Xinference平台相关的工具调用问题。当用户选择不添加任何工具（即工具参数为None）时，使用多功能对话功能会出现报错，而使用工具（如本地知识库工具）或RAG对话功能则表现正常。

问题现象

在Xinference平台上，当工具参数设置为None时，系统会抛出pydantic验证错误，提示"extra fields not permitted"。具体错误信息显示，问题出在CreateCompletion的tool_choice参数上。值得注意的是，这个问题在Ollama平台上并不存在，且之前的0.3.0版本中也未出现此问题。

技术分析

经过深入分析，发现问题根源在于OpenAI API的参数验证机制。当tool_choice参数为None时，Xinference平台的pydantic验证器会将其视为额外字段而拒绝接受。这与OpenAI API的预期行为不符，因为根据API规范，tool_choice参数应该是可选的。

对比不同环境下的表现差异：

• Xinference平台：pydantic-core 2.16.3 + openai 1.35.12
• ChatChat环境：pydantic 2.7.4 + pydantic-core 2.18.4 + openai 1.35.14

版本差异表明，这可能是一个特定版本组合下的兼容性问题。

解决方案

针对这个问题，开发者提出了一个优雅的解决方案：在调用client.chat.completions.create方法时，采用条件参数传递的方式。具体实现如下：

1. 首先构建基础参数字典，包含messages、model、stream等必要参数
2. 只有当tool_choice不为None时，才将其添加到参数字典中
3. 使用字典解包方式调用API方法

这种处理方式既解决了参数验证问题，又保持了代码的清晰性和可维护性。同时，它也遵循了Python的最佳实践——"显式优于隐式"，明确地处理了可选参数的情况。

经验总结

这个案例为我们提供了几个重要的技术启示：

1. API参数验证在不同平台实现可能存在差异，需要特别注意可选参数的处理
2. 条件参数传递是一种鲁棒性更强的API调用方式
3. 版本兼容性问题在集成不同技术栈时需要特别关注
4. 错误处理应该考虑到各种边界条件，包括参数为None的情况

对于使用Langchain-ChatGLM的开发者和用户来说，理解这类问题的解决思路有助于更好地使用和维护基于大语言模型的应用程序。同时，这也提醒我们在集成不同技术组件时，需要进行充分的跨平台测试。