零基础学AI大模型之LangChain Tool工具

大家好，我是工藤学编程 🦉	一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉	C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷	【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表	分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列	深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型	零基础学AI大模型之Agent智能体

前情摘要

本文章目录

- 前情摘要
[零基础学AI大模型之LangChain Tool工具](#零基础学AI大模型之LangChain Tool工具)
- [一、大模型的"软肋"：再会说，也干不了"实事"](#一、大模型的“软肋”：再会说，也干不了“实事”)
- [二、 Tool工具：大模型连接外部世界的"桥梁"](#二、 Tool工具：大模型连接外部世界的“桥梁”)
- [三、 Tool工具生命周期：从"定义"到"用起来"就四步](#三、 Tool工具生命周期：从“定义”到“用起来”就四步)
- [四、 LangChain创建Tool：三种方式，从简单到灵活](#四、 LangChain创建Tool：三种方式，从简单到灵活)
- - [4.1 方式一：@tool装饰器------一行代码搞定简单工具](#4.1 方式一：@tool装饰器——一行代码搞定简单工具)
  - [4.2 方式二：配置参数------自定义工具名称、参数规则](#4.2 方式二：配置参数——自定义工具名称、参数规则)
  - [4.3 方式三：继承BaseTool------完全自定义，控制度最高](#4.3 方式三：继承BaseTool——完全自定义，控制度最高)
- [五、实战：用Tool解决大模型的两个"痛点"](#五、实战：用Tool解决大模型的两个“痛点”)
- - 实战1：用Tool搞定精确乘法计算
  - 实战2：用Tool获取实时天气
- [六、 Tool核心组件：搞懂这5点，工具不踩坑](#六、 Tool核心组件：搞懂这5点，工具不踩坑)
- [七、小结：Tool是大模型的"手脚"，Agent是"大脑"](#七、小结：Tool是大模型的“手脚”，Agent是“大脑”)

零基础学AI大模型之LangChain Tool工具

一、大模型的"软肋"：再会说，也干不了"实事"

之前我们学过大模型（LLM）很会"聊天"------写文案、答问题、编故事样样行，但一遇到"动手干活"的事就犯难。比如问它"今天北京天气""12345×6789等于多少"，它要么答非所问，要么算错，核心问题是大模型有四个明显的"软肋"：

缺实时数据：训练数据有截止日期，查不到最新天气、股票；
缺精确计算：擅长文本推理，不擅长复杂数学运算；
缺专业知识：法律条款、医疗指南等专业内容易出错；
缺外部对接：没法直接调用CRM、API等现有系统。

就像一个没带工具的工人，空有一身力气，却拧不了螺丝、测不了尺寸。而LangChain的Tool工具，就是给大模型装上"螺丝刀""卷尺"------让它能调用外部能力，把"会说"变成"会干"。

二、 Tool工具：大模型连接外部世界的"桥梁"

Tool工具到底是什么？简单说，它是大模型与外部功能交互的"接口"------让大模型能像我们用APP一样，调用函数、API、数据库等外部能力。

它的核心价值就是突破大模型的"静态限制" ，具体能做四件事：

实时拿数据：调用天气、股票API，获取最新信息；
精准做计算：调用计算器工具，搞定复杂数学题；
查专业知识：对接法律数据库、医疗论文库，获取权威内容；
连外部系统：操作CRM录入客户信息、调用OA发起审批。

有了Tool，大模型就从"只会纸上谈兵的理论家"，变成了"能动手解决问题的实干家"。

三、 Tool工具生命周期：从"定义"到"用起来"就四步

不管多复杂的Tool，从创建到被大模型调用，都要经历四个阶段，和我们之前学的Agent流程能无缝衔接：

工具定义：写代码定义工具（比如"乘法计算器""天气查询"），明确它能做什么、要什么参数；
Agent注册：把工具告诉Agent（相当于给Agent"交工具"）；
自动调用：Agent分析需求，判断该用哪个工具，自动传参调用；
结果处理：工具返回结果，Agent要么直接反馈，要么结合结果继续推理。

四、 LangChain创建Tool：三种方式，从简单到灵活

LangChain提供了三种创建Tool的方法，覆盖从"快速上手"到"自定义开发"的所有需求，我们结合代码一步步学：

4.1 方式一：@tool装饰器------一行代码搞定简单工具

这是最常用的方式，给普通函数加个@tool装饰器，函数就变成了大模型能调用的Tool。关键是要写文档字符串，告诉大模型这个工具的用途。

python 复制代码

# 导入tool装饰器（注意是从langchain_core导入）
from langchain_core.tools import tool

# 给函数加@tool装饰器，变成Tool
@tool
def multiply(a: int, b: int) -> int:
    """把传递的两个整数参数相乘，返回乘积结果。用于解决数学乘法计算问题"""
    return a * b

# 测试下这个Tool的属性（帮我们理解Tool的结构）
print("工具名称:", multiply.name)  # 输出：multiply（默认是函数名）
print("工具描述:", multiply.description)  # 输出：我们写的文档字符串
print("工具参数:", multiply.args)  # 输出：参数列表（a和b，都是int）
print("是否直接返回结果:", multiply.return_direct)  # 输出：False（默认不直接返回，交给Agent处理）
print("工具参数schema:", multiply.args_schema.model_json_schema())  # 输出参数的详细规则
print("调用工具计算2×3:", multiply.invoke({"a": 2, "b": 3}))  # 输出：6

4.2 方式二：配置参数------自定义工具名称、参数规则

如果想给工具起自定义名字、严格校验参数，就用args_schema指定Pydantic模型（我们之前学过PydanticOutputParser，用法类似）。

python 复制代码

# 导入必要模块
from pydantic import BaseModel, Field
from langchain_core.tools import tool

# 用Pydantic定义参数模型，指定参数描述（帮助大模型理解该传什么）
class CalculatorInput(BaseModel):
    a: int = Field(description="要相乘的第一个整数，必须是整数类型")
    b: int = Field(description="要相乘的第二个整数，必须是整数类型")

# 自定义工具名称（multiplication-tool），指定参数模型
@tool("multiplication-tool", args_schema=CalculatorInput, return_direct=True)
def multiply(a: int, b: int) -> int:
    """Multiply two numbers.（英文描述也可以，大模型能识别）"""
    return a * b

# 测试
print("工具名称:", multiply.name)  # 输出：multiplication-tool（自定义名称）
print("调用工具计算5×6:", multiply.invoke({"a": 5, "b": 6}))  # 输出：30（return_direct=True，直接返回结果）

4.3 方式三：继承BaseTool------完全自定义，控制度最高

如果工具逻辑复杂（比如要调用多个API、处理异常），就继承BaseTool类，手动实现工具的名称、描述、执行逻辑。虽然代码多，但能实现任意需求。

python 复制代码

from langchain_core.tools import BaseTool
from pydantic import BaseModel, Field
from typing import Optional

# 1. 定义参数模型
class WeatherInput(BaseModel):
    city: str = Field(description="要查询天气的城市名称，比如"北京""上海"")

# 2. 继承BaseTool，实现自定义天气工具
class WeatherTool(BaseTool):
    # 工具名称（唯一标识）
    name: str = "weather-check-tool"
    # 工具描述（告诉大模型该用它查天气）
    description: str = "查询指定城市的实时天气，返回天气状况、气温和穿衣建议"
    # 参数模型（用于参数校验）
    args_schema: type[BaseModel] = WeatherInput
    # 是否直接返回结果
    return_direct: bool = True

    # 核心方法：实现工具的执行逻辑（必须叫_run）
    def _run(
        self, city: str, run_manager: Optional[any] = None
    ) -> str:
        """执行查询逻辑，这里用模拟数据（实际可对接真实天气API）"""
        # 真实场景下，这里可以用requests调用天气API
        mock_weather = {
            "北京": "晴，气温12-22℃，适合穿薄外套",
            "上海": "阴转小雨，气温15-18℃，建议带雨伞"
        }
        return f"{city}实时天气：{mock_weather.get(city, '暂未查询到该城市天气')}"

# 3. 创建工具实例并测试
weather_tool = WeatherTool()
print("调用天气工具查北京天气:", weather_tool.invoke({"city": "北京"}))
# 输出：北京实时天气：晴，气温12-22℃，适合穿薄外套

五、实战：用Tool解决大模型的两个"痛点"

光说不练假把式，我们用两个实战案例，看看Tool是怎么解决大模型"不会计算""没有实时数据"的问题：

实战1：用Tool搞定精确乘法计算

大模型算"1234×5678"容易出错，用我们写的multiplication-tool就能轻松搞定：

python 复制代码

from langchain.agents import create_react_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool

# 1. 定义乘法工具
@tool
def multiply(a: int, b: int) -> int:
    """把两个整数相乘，返回乘积，用于精确解决乘法计算问题"""
    return a * b

# 2. 初始化大模型（用ChatOpenAI，也可以用本地模型）
llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo")

# 3. 定义Agent提示词（告诉Agent可以用工具）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你可以使用提供的工具解决问题，先判断是否需要用工具，再调用工具"),
    ("user", "{input}")
])

# 4. 创建Agent并注册工具
tools = [multiply]
agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 5. 让Agent解决"1234×5678"
result = agent_executor.invoke({"input": "计算1234乘以5678的结果"})
print("最终结果:", result["output"])

运行后会看到Agent的思考过程："需要计算乘法，调用multiply工具，参数a=1234，b=5678"，最终返回精确结果1234×5678=7006652。

实战2：用Tool获取实时天气

大模型不知道最新天气，我们用WeatherTool对接真实API（这里用聚合数据的天气API，你可以换成自己的）：

python 复制代码

import requests
from langchain_core.tools import BaseTool, tool
from pydantic import BaseModel, Field

# 1. 定义真实天气查询工具（对接聚合数据API）
@tool
def get_real_weather(city: str) -> str:
    """调用真实天气API，获取指定城市的实时天气，包括温度、天气状况、风力"""
    # 替换成你的聚合数据API密钥（申请地址：https://www.juhe.cn/docs/api/id/73）
    api_key = "你的API密钥"
    url = f"http://v.juhe.cn/tianqi/index?city={city}&key={api_key}"
    response = requests.get(url)
    data = response.json()
    if data["error_code"] == 0:
        sk = data["result"]["sk"]  # 实时天气数据
        return f"{city}实时天气：{sk['weather']}，气温{sk['temp']}℃，风力{sk['wind_strength']}"
    else:
        return f"查询失败：{data['reason']}"

# 2. 让Agent调用这个工具
from langchain.agents import create_react_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(temperature=0)
prompt = ChatPromptTemplate.from_messages([
    ("system", "你可以使用工具查询实时天气，直接返回结果"),
    ("user", "{input}")
])

tools = [get_real_weather]
agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 查询上海实时天气
result = agent_executor.invoke({"input": "查一下上海现在的天气"})
print(result["output"])

运行后，Agent会自动调用get_real_weather工具，返回上海的实时天气------这就解决了大模型"没有实时数据"的痛点。

六、 Tool核心组件：搞懂这5点，工具不踩坑

不管用哪种方式创建Tool，核心都是这5个组件，理解它们就能灵活设计工具：

组件	作用	示例
名称（name）	工具唯一标识，Agent靠名称调用工具	"multiplication-tool"、"weather-check-tool"
描述（description）	告诉Agent工具能做什么，什么时候用	"查询指定城市实时天气"、"解决乘法计算问题"
输入参数（args_schema）	定义参数规则（类型、描述），做参数校验	用Pydantic模型定义city（str）、a（int）
执行函数（func/_run）	工具的核心逻辑，实际干活的代码	调用API、计算乘积、查询数据库
返回模式（return_direct）	是否直接返回结果给用户	True（直接返回）、False（Agent继续处理）

七、小结：Tool是大模型的"手脚"，Agent是"大脑"

这篇我们学了LangChain的Tool工具，核心就是一句话：Tool给大模型装"手脚"，让它能调用外部能力；Agent给大模型装"大脑"，让它知道该用哪个手脚。

我们学了三种创建Tool的方式：@tool装饰器（快速用）、配置参数（自定义）、继承BaseTool（全控制），还通过实战解决了大模型"不会计算""没有实时数据"的痛点------这些知识和之前学的Agent、RAG结合起来，就能搭建出能独立干活的AI系统（比如"自动查天气+安排会议"的Agent）。

如果本文对你有帮助，欢迎点赞+关注+收藏🌟 ，有任何问题或实战需求，欢迎在评论区留言交流～我是工藤学编程，陪你从零到一玩转AI大模型！🚀

零基础学AI大模型之LangChain Tool工具

前情摘要

本文章目录

零基础学AI大模型之LangChain Tool工具

一、 大模型的"软肋"：再会说，也干不了"实事"

二、 Tool工具：大模型连接外部世界的"桥梁"

三、 Tool工具生命周期：从"定义"到"用起来"就四步

四、 LangChain创建Tool：三种方式，从简单到灵活

4.1 方式一：@tool装饰器------一行代码搞定简单工具

4.2 方式二：配置参数------自定义工具名称、参数规则

4.3 方式三：继承BaseTool------完全自定义，控制度最高

五、 实战：用Tool解决大模型的两个"痛点"

实战1：用Tool搞定精确乘法计算

实战2：用Tool获取实时天气

六、 Tool核心组件：搞懂这5点，工具不踩坑

七、 小结：Tool是大模型的"手脚"，Agent是"大脑"

一、大模型的"软肋"：再会说，也干不了"实事"

五、实战：用Tool解决大模型的两个"痛点"

七、小结：Tool是大模型的"手脚"，Agent是"大脑"