01. LangChain 内置工具
函数调用 是可靠地从大语言模型中获取结构化数据的一个功能，要想使用 函数调用 就必须定义好特定的函数或工具，并将工具的相关信息传递给大语言模型，在 LangChain 中封装了大量的 预设工具，开箱即用，涵盖了：搜索、图像生成、百科、视频信息提取、代码执行、数据分析等。
并且在 LangChain 中，所有工具都是 BaseTool 的子类，并且工具也是 Runnable可运行组件，支持通过 invoke、batch 和 stream 等方法进行调用，使用起来也非常简单，实例化工具后直接调用 invoke 函数即可，除此之外，可以通过 name、description、args、return_direct 属性来获取到工具的相关信息。
例如以 DuckDuckGo搜索 为例，首先安装特定的依赖库
pip install -U duckduckgo-search
示例代码如下
from langchain_community.tools import DuckDuckGoSearchRun
search = DuckDuckGoSearchRun()
print("工具名字: ", search.name)
print("工具描述: ", search.description)
print("工具参数:", search.args)
print("是否直接返回: ", search.return_direct)
print(search.run("LangChain目前最新版本是什么?"))
输出内容
工具名字: duckduckgo_search
工具描述: A wrapper around DuckDuckGo Search. Useful for when you need to answer questions about current events. Input should be a search query.
工具参数: {'query': {'title': 'Query', 'description': 'search query to look up', 'type': 'string'}}
是否直接返回: False
LangChain 基准是一个 python 包和相关数据集，用于促进不同认知架构的实验和基准测试。. 每个基准任务都针对常见 LLM 应用程序中的关键功能，例如基于检索的问答、提取、代理工具使用等。. 对于我们的第一个基准，我们发布了一个关于 LangChain python 文档的问答 ... 它建立在 LCEL 的基础之上，添加了两个重要的组件：轻松定义循环的能力（这对代理很重要，但对链来说不需要）和内置内存。. 在 langchain v0.3 中，我们保留了旧的 AgentExecutor------但 LangGraph 正在成为构建代理的推荐方式。. 我们添加了一个预构建的 LangGraph 对象 ... 奋战一年，LangChain首个稳定版本终于发布，LangGraph把智能体构建为图. 著名的大模型智能体工具，现在有大版本更新了。不知不觉，LangChain 已经问世2年了。. 作为一个开源框架，LangChain 提供了构建基于大模型的 AI 应用所需的模块和工具，大大降低了 AI 应用 ... LangChain 承诺「让开发人员一个下午就能从一个想法变成可运行的代码」，但随着我们的需求变得越来越复杂，问题也开始浮出水面。. LangChain 变成了阻力的根源，而不是生产力的根源。. 随着 LangChain 的不灵活性开始显现，我们开始深入研究 LangChain 的内部结构 ... LangChain 随时间推移的变化. 我们文档中新增的"LangChain 随时间推移的变化"部分可帮助您及时了解变化。其中提供了有关 LangChain 如何变化、如何升级以及如何将旧版本中的先前概念映射到新版本中的指南。这是社区强烈要求的功能，我们也认为它非常必要!
如果需要将工具转换成 openai 工具形式参数，可以使用 convert_to_openai_tool() 辅助函数，示例如下：
from langchain_community.tools import DuckDuckGoSearchRun
from langchain_core.utils.function_calling import convert_to_openai_tool
search = DuckDuckGoSearchRun()
print(convert_to_openai_tool(search))
输出内容：
{'type': 'function', 'function': {'name': 'duckduckgo_search', 'description': 'A wrapper around DuckDuckGo Search. Useful for when you need to answer questions about current events. Input should be a search query.', 'parameters': {'type': 'object', 'properties': {'query': {'description': 'search query to look up', 'type': 'string'}}, 'required': ['query']}}}
02. LangChain 内置工具包
在 LangChain 中，工具包是一组设计用于一起执行特定任务的工具集，它们具有便捷加载的方法------get_tools()，并且所有工具包都公开了一个 get_tools() 方法，该方法返回一个工具列表，这样就无需一个一个加载特定的工具了。
工具包 一般是同一个服务提供商提供的一系列工具，例如在 LangChain 中封装了 Azure AI 的对应工具包，该工具包提供了 5 个工具：
- AzureAiServicesImageAnalysisTool：用于从图像中提取标题、对象、标签和文本。
- AzureAiServicesDocumentIntelligenceTool：用于从文档中提取文本、表格和键值对。
- AzureAiServicesSpeechToTextTool：用于将语音转录为文本。
- AzureAiServicesTextToSpeechTool：用于将文本合成语音。
- AzureAiServicesTextAnalyticsForHealthTool：用于提取医疗实体。
使用起来也非常简单，首先安装特定的依赖包
pip install -U azure-ai-formrecognizer azure-cognitiveservices-speech azure-ai-textanalytics azure-ai-vision-imageanalysis
然后配置 Azure 的相关环境变量
import os
os.environ["OPENAI_API_KEY"] = "sk-"
os.environ["AZURE_AI_SERVICES_KEY"] = ""
os.environ["AZURE_AI_SERVICES_ENDPOINT"] = ""
os.environ["AZURE_AI_SERVICES_REGION"] = ""
接下来就可以创建工具包，示例如下：
from langchain_community.agent_toolkits import AzureAiServicesToolkit
toolkit = AzureAiServicesToolkit()
print([tool.name for tool in toolkit.get_tools()])
输出内容如下：
'azure_ai_services_document_intelligence', 'azure_ai_services_image_analysis', 'azure_ai_services_speech_to_text', 'azure_ai_services_text_to_speech', 'azure_ai_services_text_analytics_for_health'
不过由于 工具包 包含了多组工具，一般很少单独拆分出来使用，通常用在 Agent 或者 函数调用 中，这样无需一次性实例化多个工具，在实际开发中，往往更多的是手动实例化工具进行组装