零基础学AI大模型之个人助理智能体之tool_calling_agent实战

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LangChain智能体之initialize_agent开发实战

前情摘要

本文章目录

- 前情摘要
零基础学AI大模型之个人助理智能体之tool_calling_agent实战
一、为什么需要tool_calling_agent？旧方案的痛点
二、create_tool_calling_agent方法介绍
- [2.1 核心定位](#2.1 核心定位)
- [2.2 三大核心特点](#2.2 三大核心特点)
- [2.3 与initialize_agent对比](#2.3 与initialize_agent对比)
三、create_tool_calling_agent参数详解
- [3.1 基础语法](#3.1 基础语法)
- [3.2 关键参数必知](#3.2 关键参数必知)
四、实战：打造个人AI助理智能体
- [4.1 环境准备](#4.1 环境准备)
- [4.2 步骤1：定义工具（Tool）](#4.2 步骤1：定义工具（Tool）)
- [4.3 步骤2：初始化支持工具调用的大模型](#4.3 步骤2：初始化支持工具调用的大模型)
- [4.4 步骤3：自定义Prompt模板](#4.4 步骤3：自定义Prompt模板)
- [4.5 步骤4：创建tool_calling_agent和执行器](#4.5 步骤4：创建tool_calling_agent和执行器)
- [4.6 步骤5：测试个人助理](#4.6 步骤5：测试个人助理)
五、运行结果与解读
- [5.1 完整运行日志（关键部分）](#5.1 完整运行日志（关键部分）)
- [5.2 结果解读](#5.2 结果解读)
六、实战注意事项
七、总结

零基础学AI大模型之个人助理智能体之tool_calling_agent实战

一、为什么需要tool_calling_agent？旧方案的痛点

之前我们学过用initialize_agent创建智能体，它虽然简单，但在实际开发中会遇到不少麻烦：

工具调用参数是自然语言描述，需要额外解析，容易出错
不支持复杂数据类型参数，面对API集成等场景力不从心
多步骤工具调用时，顺序和参数控制精度低，容错率差

而LangChain 0.3版本新增的create_tool_calling_agent，完美解决了这些问题------它要求大模型直接返回结构化的工具调用参数（如JSON格式），减少中间解析环节，让工具调用更精准、更稳定，尤其适合做个人助理这类需要多工具协作的智能体。

二、create_tool_calling_agent方法介绍

2.1 核心定位

create_tool_calling_agent是专为"高精度工具调用"设计的智能体创建方法，核心是让大模型像"调用函数"一样使用工具，直接输出结构化参数，无需额外解析。

2.2 三大核心特点

结构化工具调用：显式指定工具名和参数，支持int、str、对象等复杂数据类型，参数格式无歧义
多步骤任务处理：能根据任务需求，按顺序调用多个工具，比如"查航班→订机票"的完整流程
精准控制：通过自定义Prompt模板，可精细指导智能体的思考和工具调用行为

2.3 与initialize_agent对比

特性	initialize_agent	create_tool_calling_agent
参数输出格式	自然语言描述	结构化格式（如JSON）
解析错误率	较高	极低（无需额外解析）
复杂参数支持	差	好（支持任意数据类型）
多步骤任务适配	一般	优秀
适用场景	快速原型、简单任务	API集成、高精度、个人助理

三、create_tool_calling_agent参数详解

3.1 基础语法

python 复制代码

from langchain.agents import create_tool_calling_agent

agent = create_tool_calling_agent(
    llm: BaseLanguageModel,    # 支持工具调用的大模型实例
    tools: Sequence[BaseTool], # 工具列表
    prompt: ChatPromptTemplate # 提示模板（含工具调用规则）
)

3.2 关键参数必知

三个参数都是必填项，缺一不可，重点看这几点：

参数名	类型	作用说明
llm	BaseLanguageModel	必须是支持工具调用的模型（如ChatOpenAI、通义千问增强版、Llama 3等）
tools	Sequence[BaseTool]	用@tool装饰器定义的工具列表，每个工具需清晰描述参数类型和用途
prompt	ChatPromptTemplate	必须包含`{tools}`（工具列表）、`{tool_names}`（工具名列表）、`{agent_scratchpad}`（思考过程）占位符

四、实战：打造个人AI助理智能体

本次实战将开发一个能"查股票、查日期、搜航班、订机票"的个人助理，完整流程从工具定义到智能体运行一步到位。

4.1 环境准备

确保安装最新版LangChain（需0.3+版本）：

bash 复制代码

pip install -U langchain langchain-openai langchain-community

4.2 步骤1：定义工具（Tool）

用@tool装饰器定义4个实用工具，注意清晰描述工具用途和参数------这是智能体能正确调用的关键：

python 复制代码

from langchain.tools import tool
from datetime import datetime

# 工具1：获取当前日期
@tool
def get_current_date() -> str:
    """获取当前系统日期，格式为YYYY-MM-DD，适用于需要日期参数的任务（如查航班）"""
    formatted_date = datetime.now().strftime("%Y-%m-%d")
    return f"The current date is {formatted_date}"

# 工具2：搜索航班
@tool
def search_flights(from_city: str, to_city: str, date: str) -> str:
    """
    根据出发城市、到达城市和日期搜索可用航班
    参数说明：
    - from_city: 出发城市（如广州、北京）
    - to_city: 到达城市（如北京、上海）
    - date: 出行日期（格式YYYY-MM-DD）
    """
    # 实际场景可替换为真实航班查询API（如携程、飞猪API）
    return f"成功查询到航班：{from_city} → {to_city}，日期：{date}，航班号：CA1314，价格：¥1200，起飞时间：08:30"

# 工具3：预订航班
@tool
def book_flight(flight_id: str, user: str) -> str:
    """
    预订指定航班
    参数说明：
    - flight_id: 航班号（如CA1314）
    - user: 用户名（如老王）
    """
    # 实际场景可替换为真实航班预订API
    return f"用户 {user} 已成功预订航班 {flight_id}，订单号：ORD2025001，请注意查收短信通知"

# 工具4：获取股票价格（函数式工具）
def get_stock_price(symbol: str) -> str:
    """
    获取指定股票的当前价格
    参数说明：
    - symbol: 股票代码或简称（如AAPL代表苹果股票，腾讯代表腾讯控股）
    """
    # 实际场景可替换为真实股票数据API（如雪球、富途API）
    return f"The current price of {symbol} is $198.50"

# 将函数式工具包装为LangChain Tool对象
from langchain.agents import Tool
stock_tool = Tool(
    name="get_stock_price",
    func=get_stock_price,
    description="获取指定股票的当前价格，参数为股票代码或简称（如AAPL、腾讯）"
)

# 整理工具列表
tools = [get_current_date, search_flights, book_flight, stock_tool]

4.3 步骤2：初始化支持工具调用的大模型

必须使用支持工具调用的大模型，这里用通义千问（qwen-plus），也可替换为ChatOpenAI、Llama 3等：

python 复制代码

from langchain_openai import ChatOpenAI

# 初始化大模型（通义千问）
llm = ChatOpenAI(
    model_name="qwen-plus",  # 支持工具调用的模型版本
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="sk-xxx",  # 替换为自己的API密钥
    temperature=0.3  # 降低随机性，提高工具调用准确性
)

4.4 步骤3：自定义Prompt模板

Prompt必须包含{tools}、{tool_names}、{agent_scratchpad}占位符，同时可以加入用户信息（如姓名、需求），让助理更懂用户：

python 复制代码

from langchain_core.prompts import ChatPromptTemplate

# 定义Prompt模板
prompt = ChatPromptTemplate.from_messages([
    # 系统消息：定义助理身份和行为规则
    ("system", """你是一个贴心的个人AI助理，名叫小工。
    工作规则：
    1. 优先判断是否需要调用工具，不需要则直接回答
    2. 需要调用工具时，必须使用结构化参数，确保参数完整、格式正确
    3. 多步骤任务（如查航班+订机票）需按顺序调用工具，逐步完成
    4. 调用工具前可先获取必要信息（如当前日期）"""),
    # 用户固定信息：提前告知用户姓名等，避免重复询问
    ("human", "我叫老王，经常出差，身份证号是4414231993210223213332"),
    # 用户输入：接收动态查询
    ("human", "{input}"),
    # 智能体思考过程占位符：存储工具调用记录和结果
    ("placeholder", "{agent_scratchpad}")
])

4.5 步骤4：创建tool_calling_agent和执行器

用create_tool_calling_agent创建智能体，再用AgentExecutor包装（负责运行智能体）：

python 复制代码

from langchain.agents import AgentExecutor

# 创建tool_calling_agent
agent = create_tool_calling_agent(
    llm=llm,
    tools=tools,
    prompt=prompt
)

# 创建智能体执行器（verbose=True显示思考和调用过程）
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 调试用，显示详细流程
    return_intermediate_steps=True  # 返回中间调用步骤结果
)

4.6 步骤5：测试个人助理

让助理完成"查苹果股票+查明天广州飞北京航班+订机票"的组合任务，看它如何自动调用工具：

python 复制代码

# 发起用户查询
result = agent_executor.invoke({
    "input": "苹果股票现在多少钱？根据我的行程，帮我查询下明天的航班，从广州去北京，并预订机票"
})

# 打印最终结果
print("\n" + "="*80)
print("个人助理最终回复：")
print(result["output"])

五、运行结果与解读

5.1 完整运行日志（关键部分）

复制代码

> Entering new AgentExecutor chain...
[{"name":"get_stock_price","parameters":{"symbol":"苹果"}}]
> Tool returned: The current price of 苹果 is $198.50
[{"name":"get_current_date","parameters":{}}]
> Tool returned: The current date is 2025-08-20
[{"name":"search_flights","parameters":{"from_city":"广州","to_city":"北京","date":"2025-08-21"}}]
> Tool returned: 成功查询到航班：广州 → 北京，日期：2025-08-21，航班号：CA1314，价格：¥1200，起飞时间：08:30
[{"name":"book_flight","parameters":{"flight_id":"CA1314","user":"老王"}}]
> Tool returned: 用户 老王 已成功预订航班 CA1314，订单号：ORD2025001，请注意查收短信通知
> Finished chain.

================================================================================
个人助理最终回复：
苹果股票当前价格为$198.50。
已为你查询2025-08-21广州飞往北京的航班：航班号CA1314，起飞时间08:30，价格¥1200。
已成功为你（老王）预订该航班，订单号ORD2025001，请留意短信通知。

5.2 结果解读

智能体按"查股票→查当前日期→算明天日期→搜航班→订机票"的顺序调用工具，逻辑清晰
每次工具调用都返回结构化参数（JSON格式），无解析错误，参数完整
自动利用用户固定信息（姓名"老王"），无需重复询问，体验像真实助理

六、实战注意事项

模型必须支持工具调用：如果用不支持的模型（如旧版通义千问、GPT-3.5-turbo-0301），会报错，优先选qwen-plus、gpt-4-turbo、llama-3-70b等
Prompt占位符不能少 ：{tools}、{tool_names}、{agent_scratchpad}是核心，少一个都会导致工具调用失败
工具描述要精准：特别是参数说明（类型、用途），描述模糊会让智能体传错参数
多步骤任务要引导：在system消息中明确"按顺序调用工具"，智能体才能正确完成复杂任务
生产环境注意安全：示例中工具是模拟的，真实场景对接API时，要做好参数校验、权限控制（如身份证号加密）

七、总结

create_tool_calling_agent作为LangChain 0.3的新特性，是开发高精度、多工具协作智能体（如个人助理、企业API助手）的首选方案。它通过"结构化参数输出"解决了旧方案的解析痛点，让工具调用像"函数调用"一样简单、可靠。

本次实战我们掌握了：

create_tool_calling_agent的核心特点和适用场景
三大必填参数的配置技巧（尤其是Prompt模板）
个人助理智能体的完整开发流程（工具定义→模型初始化→智能体创建→测试）

如果你有任何问题，欢迎在评论区留言交流，喜欢就点赞、关注、收藏吧！