LangChain使用之Tools

sunscreen2025-10-16 9:51

Tools概述

介绍

要构建更强大的AI工程应用给，只有生成文本这样的"纸上谈兵"能力自然是不够的。工具Tools不仅仅是"肢体"的延申，更是为"大脑"插上了想象力的翅膀。借助工具，才能让AI应用的能力真正具备无限的可能，才能从"认识世界"走向"改变世界"

Tools用于扩展大预言模型（LLM）的能力，使其能够与外部系统、API或自定义函数交互，从而完成仅靠文本生成无法实现的任务（如搜索、计算、数据库查询等）

特点：

  • 增强LLM功能：让LLM突破纯文本生成的限制，执行实际操作（如调用搜索引擎、查询数据库、运行代码等）
  • 支持智能决策：在Agent工作流中，LLM根据用户输入动态选择最合适的Tool完成任务
  • 模块化设计：每个Tool专注一个功能，便于复用和组合（例如：搜索工具+计算工具+天气查询工具）

LangChain拥有大量第三方工具。请访问工具集成查看可用工具列表

Tools | 🦜️🔗 LangChain

Tool的要素

Tools本质上是封装了特定功能的可调用模块，是Agent、Chain或LLM可以用来与世界互动的接口

Tool通常包含如下几个要素：

  • name：工具的名称
  • description：工具的功能描述
  • 该工具输入的JSON模式
  • 要调用的工具
  • return_direct：是否将工具结果直接返回给用户（仅对Agent相关）

实操步骤：

  • 步骤1：将name、description和JSON模式作为上下文提供给LLM
  • 步骤2：LLM会根据提示词推断出需要调用哪些工具，并提供具体的调用参数信息
  • 步骤3：用户需要根据返回的工具调用信息，自行出发相关工具的回调

注意：如果工具具有精心选择的名称、描述和JSON模式，则模型的性能更好。下一章我们可以看到工具的调用动作可以通过Agent自主接管

自定义工具

两种自定义方式

第一种：使用@tool装饰器（自定义工具的最简单方式）

装饰器默认使用函数名称作为工具名称，但可以通过参数name_or_callable来覆盖此设置

同时，装饰器将使用函数的文档字符串作为工具的描述，因此函数必须提供文档字符串。

第二种：使用StructredTool.from_function类方法

这类似于@tool装饰器，但允许更多配置和同步/异步实现的规范

几个常用属性

Tool由几个常用属性组成：

属性 类型 描述
name str 必选的，在提供给LLM或Agent的工具集中必须是唯一的
description str 可选但建议，描述工具的功能。LLM或Agent将使用此描述作为上下文，使用它确定工具的使用
args_schema PydanticBaseModel 可选但建议，可用于提供更多信息或验证预期参数
return_direct boolean 仅对Agent相关，当为True时，在调用给定工具后，Agent将停止并将结果直接返回给用户

具体实现

方式1：@tool装饰器

例1：

python 复制代码 
from langchain.tools import tool

@tool
def add_number(a:int, b:int)->int :
    """将两个整数相加"""
    return a+b

print(f"name = {add_number.name}")
print(f"args = {add_number.args}")
print(f"description = {add_number.description}")
print(f"return_direct = {add_number.return_direct}")

res = add_number.invoke({"a":10,"b":20})
print(res)

name = add_number

args = {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}

description = 将两个整数相加

return_direct = False

30

说明：return_direct参数的默认值是False。当return_direct=False时，工具结果会返回给Agent，让Agent决定下一步操作；而return_direct=True则会中断这个循环，直接结束流程，返回结果给用户。

例2：通过@tool的参数设置进行重置

python 复制代码 
from langchain.tools import tool
from pydantic import BaseModel,Field

class FieldInfo(BaseModel):
    a:int = Field(description="第一个参数")
    b:int = Field(description="第二个参数")

@tool(name_or_callable="add_two_numbers",description="two numbers",
      args_schema=FieldInfo,return_direct=True)
def add_number(a:int, b:int)->int :
    """将两个整数相加"""
    return a+b

print(f"name = {add_number.name}")
print(f"args = {add_number.args}")
print(f"description = {add_number.description}")
print(f"return_direct = {add_number.return_direct}")

res = add_number.invoke({"a":10,"b":20})
print(res)

name = add_two_numbers

args = {'a': {'description': '第一个参数', 'title': 'A', 'type': 'integer'}, 'b': {'description': '第二个参数', 'title': 'B', 'type': 'integer'}}

description = two numbers

return_direct = True

30

方式2：StructedTool的From_function()

StructredTool.from_function()类方法提供了比@tool装饰器更多的可配置性，而无需太多额外的代码

例1：

python 复制代码 
from langchain_core.tools import StructuredTool

def search_function(query:str):
    return "查询的结果"

search1 = StructuredTool.from_function(
    func = search_function,
    name = "google_search",
    description = "当你想要搜索东西的时候，使用这个工具"
)

print(f"name = {search1.name}")
print(f"description = {search1.description}")
print(f"args = {search1.args}")

search1.invoke("微软什么时候成立的")

name = google_search

description = 当你想要搜索东西的时候，使用这个工具

args = {'query': {'title': 'Query', 'type': 'string'}}

'查询的结果'

例2：

python 复制代码 
from langchain_core.tools import StructuredTool
from pydantic import BaseModel,Field

class FieldInfo(BaseModel):
    query:str = Field(description="要检索的关键词")
    
def search_function(query:str):
    return "检索的结果"

search1 = StructuredTool.from_function(
    func = search_function,
    name = "Search",
    description = "当你想要搜索东西的时候，使用这个工具",
    args_schema=FieldInfo,
    return_direct = True
)

print(f"name = {search1.name}")
print(f"description = {search1.description}")
print(f"args = {search1.args}")
print(f"return_direct = {search1.return_direct}")
search1.invoke("Search")

name = Search

description = 当你想要搜索东西的时候，使用这个工具

args = {'query': {'description': '要检索的关键词', 'title': 'Query', 'type': 'string'}}

return_direct = True

'检索的结果'

工具调用举例

我们通过大模型分析用户需求，判断是否需要调用指定工具

举例1：大模型分析调用工具

python 复制代码 
from langchain_core.messages import HumanMessage
from langchain_community.tools import MoveFileTool
from langchain_openai import ChatOpenAI
from langchain_core.utils.function_calling import convert_to_openai_function
import os
import dotenv

dotenv.load_dotenv()

os.environ["OPENAI_API_KEY"]=os.getenv("OPENAI_API_KEY")
os.environ["OPENAI_BASE_URL"]=os.getenv("OPENAI_BASE_URL")

chat_model = ChatOpenAI(model = "gpt-4o-mini")

# 定义工具
tools = [MoveFileTool()]

# 将工具转换为openai函数，后续再将函数传入模型调用
functions = [convert_to_openai_function(t) for t in tools]

# 提供大模型调用消息列表
messages = [HumanMessage(content="将文件a移动到桌面上")]

#模型使用函数
response = chat_model.invoke(
    input = messages,
    functions = functions,
)
print(response)

content='' additional_kwargs={'function_call': {'arguments': '{"source_path":"a","destination_path":"C:\\Users\\你的用户名\\Desktop\\a"}', 'name': 'move_file'}, 'refusal': None} response_metadata={'token_usage': {'completion_tokens': 30, 'prompt_tokens': 77, 'total_tokens': 107, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-4o-mini-2024-07-18', 'system_fingerprint': 'fp_efad92c60b', 'id': 'chatcmpl-CQumwKR6NS0IcycejHuYLjsdbETv8', 'service_tier': None, 'finish_reason': 'function_call', 'logprobs': None} id='run--4d85fd07-1864-482f-b3f0-d4759c9dcbba-0' usage_metadata={'input_tokens': 77, 'output_tokens': 30, 'total_tokens': 107, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}}

模型绑定工具，调用模型，传入Message对象

作为对照，修改代码：

python 复制代码 
# 提供大模型调用消息列表
messages = [HumanMessage(content="今天天气怎么样")]

#模型使用函数
response = chat_model.invoke(
    input = messages,
    functions = functions,
)
print(response)

content='今天天气怎么样通常取决于您所在的地点。请告诉我您的位置，我可以为您提供更具体的天气信息。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 31, 'prompt_tokens': 73, 'total_tokens': 104, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-4o-mini-2024-07-18', 'system_fingerprint': 'fp_efad92c60b', 'id': 'chatcmpl-CQupMjPt44hkkACgmQ8RIouDSVERP', 'service_tier': None, 'finish_reason': 'stop', 'logprobs': None} id='run--e7491b83-ea28-4951-ab16-59e7e9ecfc3c-0' usage_metadata={'input_tokens': 73, 'output_tokens': 31, 'total_tokens': 104, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}}

调用工具说明

两种情况：

情况1：大模型决定调用工具

如果模型认为需要调用工具（如MoveFileTool），返回的message会包含：

  • content：通常为空（因为模型选择调用工具，而非生成自然语言回复）
  • additional_kwargs：包含工具调用的详细信息

情况2：大模型不调用工具

如果模型认为无需调用工具（例如用户输入与工具无关），返回的message会是普通文本回复

举例2：确定工具并调用

python 复制代码 
# 定义LLM模型
chat_model =ChatOpenAI(model="gpt-4o-mini",temperature=0)
# 定义工具
tools = [MoveFileTool()]
# 将工具转换为openai函数
functions = [convert_to_openai_function(t) for t in tools]
# 提供消息列表
messages = [HumanMessage(content="将本目录下的abc.txt文件移动到F:\")]
# 模型调用
response = chat_model.invoke(
input=messages,
functions=functions
)
print(response)

content='' additional_kwargs={'function_call': {'arguments': '{"source_path":"abc.txt","destination_path":"F:\\abc.txt"}', 'name': 'move_file'}, 'refusal': None} response_metadata={'token_usage': {'completion_tokens': 25, 'prompt_tokens': 81, 'total_tokens': 106, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-4o-mini-2024-07-18', 'system_fingerprint': 'fp_efad92c60b', 'id': 'chatcmpl-CQv1pZw4nzgDzVcaPQPmbNGSNLogA', 'service_tier': None, 'finish_reason': 'function_call', 'logprobs': None} id='run--e5e2b0f0-910e-4b6e-a5a6-f1977dd39466-0' usage_metadata={'input_tokens': 81, 'output_tokens': 25, 'total_tokens': 106, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}}

（1）检查是否需要调用工具

python 复制代码 
import json

if "function_call" in response.additional_kwargs:
    tool_name = response.additional_kwargs["function_call"]["name"]
    tool_args = json.loads(response.additional_kwargs["function_call"]["arguments"])
    print(f"调用工具: {tool_name}, 参数: {tool_args}")
else:
    print("模型回复:", response.content)

调用工具: move_file, 参数: {'source_path': 'abc.txt', 'destination_path': 'F:\abc.txt'}

（实际执行工具调用）

python 复制代码 
from langchain.tools import MoveFileTool
if "move_file" in response.additional_kwargs["function_call"]["name"]:
    tool = MoveFileTool()
    result = tool.run(tool_args) # 执行工具
    print("工具执行结果:", result)

工具执行结果: File moved successfully from abc.txt to F:\abc.txt.

最后可以发现abc.txt被成功移动到F:\下

相关推荐
FreeCode4 小时前
智能体化系统(Agentic System)开发面临的挑战及应对
人工智能·agent
大模型真好玩20 小时前
低代码Agent开发框架使用指南（四）—Coze大模型和插件参数配置最佳实践
人工智能·agent·coze
大模型教程1 天前
一文搞懂RAG：凭啥阿里70K算法岗都在用它？
程序员·llm·agent
大模型教程1 天前
告别传统 RAG，用智能 Agent 方法构建 AI 知识库
程序员·llm·agent
AI大模型1 天前
从原理到落地：RAG 技术全解析，手把手教你搭建专属知识库
程序员·llm·agent
AI大模型1 天前
RAG：企业数智化的“知识引擎”，让AI真正读懂你的业务
程序员·llm·agent
ezl1fe1 天前
第零篇：把 Agent 跑起来的最小闭环
人工智能·后端·agent
嚴寒1 天前
被10个终端窗口逼疯后，我用Rust写了个零依赖跨平台终端Agent启动神器
rust·agent
深度学习机器1 天前
如何选择合适的 AI Agent框架？OpenAI vs Claude vs LangGraph功能特点汇总
llm·openai·agent
热门推荐
01两千字总结：Codex 国内如何安装和使用的教程，以及如何设置中文回答02BongoCat - 跨平台键盘猫动画工具03GitHub 镜像站点04GitLab 零基础入门指南：从安装到项目管理全流程05UV安装并设置国内源06Linux下V2Ray安装配置指南0746个Nano-banana 精选提示词，持续更新中082025羊城杯网络安全大赛 wp09NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南10智能库存管理的需求预测模型：从业务痛点到落地代码的完整实践