Multi-Turn conversations with tools

📚 学习笔记：实现包含工具使用的长对话 (Implementing Long Conversations with Tool Use)

核心概念：

• 检查停止原因 (Stop Reason)：
• 在每次接收到模型响应时，必须检查响应中的 stop_reason。
• stop_reason 是决定是否需要继续处理工具调用请求的关键。
• chat 函数重构：
• 更新 chat 函数的返回结构，使其不仅返回 parts 和 text，还必须返回 stop_reason。
• 改进文本提取： 修复了之前假设第一个 part 总是文本的缺陷。新的逻辑需要遍历所有 parts，将所有文本部分连接起来（join）形成完整的 text。
• 多轮对话管理 (run_conversation 函数)：
• 创建 run_conversation 函数来管理包含工具使用的多轮对话流程。
• 循环逻辑 (While True)：
• 调用 chat 函数，传入当前的消息列表和工具列表。
• 将模型返回的 parts（包含工具请求或文本）添加到消息历史记录中（作为 Assistant 消息）。
• 判断停止条件：
• 如果 stop_reason ≠ "tool use" → 退出循环（对话结束）。
• 如果 stop_reason = "tool use" → 继续执行工具调用。
• 执行工具 (run_tools)，并将工具的执行结果作为用户消息添加到消息历史记录中。
• 循环继续，等待模型基于工具结果做出下一步响应。

流程总结：

用户输入 → chat (获取响应) → 检查 stop_reason → (如果需要工具) → run_tools (执行工具) → 将结果反馈给 chat → 重复直到 stop_reason 不再是 "tool use"。

Takeaways

• 每次接收模型响应时，必须检查 stop_reason 来决定是否需要继续处理工具调用请求。
• chat 函数的返回结构需更新，必须包含 stop_reason，并遍历所有 parts 以正确提取完整的文本。
• 多轮对话管理 (run_conversation) 的循环逻辑是：只有当 stop_reason 等于 "tool use" 时才继续执行工具调用。
• 当 stop_reason 为 "tool use" 时，需执行工具 (run_tools)，并将工具的执行结果作为用户消息反馈给模型，以驱动下一轮对话。