Chargement

Conversations multi-tours avec outils

Leçon 279 min
Chargement

La création de conversations multi-tours avec utilisation d'outils nécessite de gérer différents types de réponses de la part de Claude. Lorsque Claude répond, il peut avoir besoin d'utiliser un outil, ou il peut fournir une réponse directe. Votre code doit gérer ces deux scénarios avec souplesse.

Le problème de l'intégration simple d'outils

Si vous vous contentez d'ajouter les résultats d'outils à chaque conversation, vous rencontrerez des problèmes. Lorsque Claude répond à une question simple comme « Combien font 1+1 ? », il n'a besoin d'aucun outil. Mais si votre code essaie toujours de traiter des résultats d'outils, vous finirez par ajouter des messages vides à l'historique de votre conversation.

La solution consiste à vérifier le stop_reason qui accompagne chaque réponse de Claude. Cela vous indique pourquoi Claude a arrêté de générer du texte, que ce soit parce qu'il a terminé naturellement ou parce qu'il souhaite utiliser un outil.

Raisons d'arrêt

Tableau des quatre raisons d'arrêt listées ci-dessous, avec la barre des étapes du flux de travail mettant en évidence « Appeler Claude avec le schéma JSON ».

Claude peut s'arrêter pour plusieurs raisons :

  • "tool_use" - Le modèle souhaite appeler un outil
  • "end_turn" - Le modèle a terminé de générer sa réponse
  • "max_tokens" - La limite de jetons de sortie a été atteinte
  • "stop_sequence" - Une séquence d'arrêt que vous avez fournie a été rencontrée

Amélioration de la fonction de chat

Tout d'abord, mettez à jour votre fonction de chat pour qu'elle retourne plus d'informations. Au lieu de simplement retourner le texte et les éléments séparément, retournez un dictionnaire contenant tout ce dont vous avez besoin :

python
def chat(messages, tools=None, system=None, **kwargs):
    # ... code existant ...
    
    return {
        "parts": parts,
        "stop_reason": response["stopReason"],
        "text": "\n".join([p["text"] for p in parts if "text" in p])
    }

Cette approche extrait tout le contenu textuel des éléments de la réponse, ce qui est plus robuste que de supposer que le premier élément est toujours du texte.

Construction d'une boucle de conversation

Créez une fonction qui gère l'ensemble du flux de conversation :

python
def run_conversation(messages):
    while True:
        result = chat(messages, tools=[get_current_datetime_schema])
        
        add_assistant_message(messages, result["parts"])
        print(result["text"])
        
        if result["stop_reason"] != "tool_use":
            break
            
        tool_result_parts = run_tools(result["parts"])
        add_user_message(messages, tool_result_parts)
    
    return messages

Cette boucle continue jusqu'à ce que Claude s'arrête pour une raison autre que l'utilisation d'un outil. À chaque itération :

  1. Envoie les messages actuels à Claude
  2. Ajoute la réponse de Claude à l'historique des messages
  3. Vérifie si Claude souhaite utiliser un outil
  4. Si c'est le cas, exécute les outils et ajoute les résultats à la conversation
  5. Sinon, quitte la boucle

Test de l'implémentation

Cette approche gère à la fois les questions nécessitant des outils et les questions simples :

python
# Question nécessitant un outil
messages = []
add_user_message(messages, "What time is it?")
run_conversation(messages)

# Question simple  
messages = []
add_user_message(messages, "What is 1+1?")
run_conversation(messages)

Pour les questions sur l'heure, Claude utilisera l'outil datetime. Pour les questions mathématiques, il répond directement sans aucun appel d'outil. La boucle de conversation s'adapte automatiquement en fonction de la raison d'arrêt de Claude.

Ce modèle s'adapte bien lorsque vous ajoutez davantage d'outils : la même boucle gère toute combinaison d'utilisation d'outils et de réponses directes, rendant votre IA conversationnelle plus robuste et plus naturelle.