跳转到主要内容
反向调用 Model 指的是插件能够反向调用 Dify 内 LLM 的能力，包括平台内的所有模型类型与功能，例如 TTS、Rerank 等。如果你对反向调用的基本概念还不熟悉，请先阅读反向调用 Dify 服务。 不过请注意，调用模型需要传入一个 ModelConfig 类型的参数，它的结构可以参考 通用规范定义，并且对于不同类型的模型，该结构会存在细微的差别。 例如对于 LLM 类型的模型，还需要包含 completion_params 与 mode 参数，你可以手动构建该结构，或者使用 model-selector 类型的参数或配置。

​
调用 LLM

​
入口

    self.session.model.llm

​
端点

    def invoke(
        self,
        model_config: LLMModelConfig,
        prompt_messages: list[PromptMessage],
        tools: list[PromptMessageTool] | None = None,
        stop: list[str] | None = None,
        stream: bool = True,
    ) -> Generator[LLMResultChunk, None, None] | LLMResult:
        pass
请注意，如果你调用的模型不具备 tool_call 的能力，那么此处传入的 tools 将不会生效。

​
用例

如果想在 Tool 中调用 OpenAI 的 gpt-4o-mini 模型，请参考以下示例代码： 
from collections.abc import Generator
from typing import Any

from dify_plugin import Tool
from dify_plugin.entities.model.llm import LLMModelConfig
from dify_plugin.entities.tool import ToolInvokeMessage
from dify_plugin.entities.model.message import SystemPromptMessage, UserPromptMessage

class LLMTool(Tool):
    def _invoke(self, tool_parameters: dict[str, Any]) -> Generator[ToolInvokeMessage]:
        response = self.session.model.llm.invoke(
            model_config=LLMModelConfig(
                provider='openai',
                model='gpt-4o-mini',
                mode='chat',
                completion_params={}
            ),
            prompt_messages=[
                SystemPromptMessage(
                    content='you are a helpful assistant'
                ),
                UserPromptMessage(
                    content=tool_parameters.get('query')
                )
            ],
            stream=True
        )

        for chunk in response:
            if chunk.delta.message:
                assert isinstance(chunk.delta.message.content, str)
                yield self.create_text_message(text=chunk.delta.message.content)
可以留意到代码中传入了 tool_parameters 中的 query 参数。

​
最佳实践

并不建议手动来构建 LLMModelConfig，而是允许用户可以在 UI 上选择自己想使用的模型，在这种情况下可以修改一下工具的参数列表，按照如下配置，添加一个 model 参数： 
identity:
  name: llm
  author: Dify
  label:
    en_US: LLM
    zh_Hans: LLM
    pt_BR: LLM
description:
  human:
    en_US: A tool for invoking a large language model
    zh_Hans: 用于调用大型语言模型的工具
    pt_BR: A tool for invoking a large language model
  llm: A tool for invoking a large language model
parameters:
  - name: prompt
    type: string
    required: true
    label:
      en_US: Prompt string
      zh_Hans: 提示字符串
      pt_BR: Prompt string
    human_description:
      en_US: used for searching
      zh_Hans: 用于搜索网页内容
      pt_BR: used for searching
    llm_description: key words for searching
    form: llm
  - name: model
    type: model-selector
    scope: llm
    required: true
    label:
      en_US: Model
      zh_Hans: 使用的模型
      pt_BR: Model
    human_description:
      en_US: Model
      zh_Hans: 使用的模型
      pt_BR: Model
    llm_description: which Model to invoke
    form: form
extra:
  python:
    source: tools/llm.py
请注意在该例子中指定了 model 的 scope 为 llm，那么此时用户就只能选择 llm 类型的参数，从而可以将上述用例的代码改成以下代码： 
from collections.abc import Generator
from typing import Any

from dify_plugin import Tool
from dify_plugin.entities.model.llm import LLMModelConfig
from dify_plugin.entities.tool import ToolInvokeMessage
from dify_plugin.entities.model.message import SystemPromptMessage, UserPromptMessage

class LLMTool(Tool):
    def _invoke(self, tool_parameters: dict[str, Any]) -> Generator[ToolInvokeMessage]:
        response = self.session.model.llm.invoke(
            model_config=tool_parameters.get('model'),
            prompt_messages=[
                SystemPromptMessage(
                    content='you are a helpful assistant'
                ),
                UserPromptMessage(
                    content=tool_parameters.get('query')
                )
            ],
            stream=True
        )

        for chunk in response:
            if chunk.delta.message:
                assert isinstance(chunk.delta.message.content, str)
                yield self.create_text_message(text=chunk.delta.message.content)

​
调用 Summary

你可以请求该端点来总结一段文本，它会使用你当前 workspace 内的系统模型来总结文本。 入口 
    self.session.model.summary
端点
  • text 为需要被总结的文本。
  • instruction 为你想要额外添加的指令，它可以让你风格化地总结文本。
    def invoke(
        self, text: str, instruction: str,
    ) -> str:

​
调用 TextEmbedding

入口 
    self.session.model.text_embedding
端点 
    def invoke(
        self, model_config: TextEmbeddingResult, texts: list[str]
    ) -> TextEmbeddingResult:
        pass

​
调用 Rerank

入口 
    self.session.model.rerank
端点 
    def invoke(
        self, model_config: RerankModelConfig, docs: list[str], query: str
    ) -> RerankResult:
        pass

​
调用 TTS

入口 
    self.session.model.tts
端点 
    def invoke(
        self, model_config: TTSModelConfig, content_text: str
    ) -> Generator[bytes, None, None]:
        pass
请注意 tts 端点返回的 bytes 流是一个 mp3 音频字节流，每一轮迭代返回的都是一个完整的音频。如果你想做更深入的处理任务，请选择合适的库进行。

​
调用 Speech2Text

入口 
    self.session.model.speech2text
端点 
    def invoke(
        self, model_config: Speech2TextModelConfig, file: IO[bytes]
    ) -> str:
        pass
其中 file 是一个 mp3 格式编码的音频文件。

​
调用 Moderation

入口 
    self.session.model.moderation
端点 
    def invoke(self, model_config: ModerationModelConfig, text: str) -> bool:
        pass
若该端点返回 true 则表示 text 中包含敏感内容。

​
相关资源

编辑此页面 | 提交问题