LangChain LCEL 工具调用实战：从确定性链到动态 Agent

1. 引言

大型语言模型 (LLM) 的真正威力在于连接外部世界。在 LangChain 中，"Tool Calling"（工具调用）是将 LLM 与 API、数据库或自定义函数连接的核心机制。

然而，并不是所有的工具调用都需要复杂的 Agent。根据业务场景的确定性 (Determinism)，我们可以将其分为三种整合范式：

确定性显式调用 (Explicit Chain)：业务流程固定，无需 LLM 决策。
半动态绑定 (Bind Tools)：由 LLM 决定是否调用及参数，但流程是线性的。
高度动态 Agent：需要多步推理、循环和自我纠错。

本文将结合实战代码，详细解析前两种 LCEL 原生模式，并简要介绍第三种进阶方案。

2. 模式一：确定性显式调用 (Deterministic Explicit Chain)

适用场景

当您的业务逻辑非常固定，必须先执行某个动作才能生成回答时。例如：

用户进入理财页面，系统必须先查询当前汇率，再生成建议。
用户请求生成日报，系统必须先从数据库拉取昨日数据。

在这种场景下，不需要 LLM 去思考"我要不要查数据"，我们通过代码强制它查。

核心技术

RunnableLambda: 将工具函数包装为链的一部分。
RunnablePassthrough: 数据流透传与注入。

实战代码解析 (`src/examples/chains/demo_explicit_tool.py`)

在这个示例中，我们构建了一个"理财顾问"。无论用户问什么，系统都会先强制调用 get_exchange_rate。

python 复制代码

# 1. 定义工具函数 (普通 Python 函数)
def get_exchange_rate(inputs: dict) -> str:
    # ... 实际 API 调用 ...
    return "1 USD = 158.17 JPY"

# 2. 构建显式链路
# 关键点：使用 RunnablePassthrough.assign 强制执行工具
# 这发生在 Prompt 之前，LLM 根本不知道这个过程
chain = (
    RunnablePassthrough.assign(rate=RunnableLambda(get_exchange_rate)) 
    | prompt 
    | llm 
    | StrOutputParser()
)

# 3. Prompt 模板
# 直接使用 {rate} 变量，就像它是用户输入的一部分一样
prompt = PromptTemplate.from_template(
    "Current exchange rate is: {rate}. Give me financial advice."
)

优势：

极致稳定：工具调用绝对不会失败或被跳过。
低延迟：省去了 LLM 进行意图识别的步骤。
零 Token 消耗：路由逻辑由代码控制，不消耗 LLM Token。

3. 模式二：半动态绑定 (Semi-dynamic Bind Tools)

适用场景

当用户的意图不确定，或者需要从自然语言中提取参数时。例如：

用户问"查汇率"，需要调工具。
用户问"讲个笑话"，不需要调工具。
用户问"100美元换多少人民币"，需要提取 USD 和 CNY。

这种场景下，我们需要利用 LLM 的推理能力来进行路由和参数提取。

核心技术

@tool: 定义工具 Schema。
llm.bind_tools(): 将工具描述注入 LLM。
JsonOutputToolsParser: 解析 LLM 的结构化输出。

实战代码解析 (`src/examples/chains/demo_tool_chain.py`)

在这个示例中，我们将汇率查询功能"教"给了 LLM，让它自己决定什么时候用。

python 复制代码

# 1. 定义工具 (带类型提示和文档)
@tool
def get_exchange_rate(base_currency: str, target_currency: str) -> str:
    """Get the LIVE exchange rate between two currencies..."""
    # ...

# 2. 绑定工具
# 这赋予了 LLM 使用该工具的能力
llm_with_tools = llm.bind_tools([get_exchange_rate])

# 3. 构建自动解析链路
# JsonOutputToolsParser 会自动提取工具调用请求，返回 List[Dict]
chain = prompt | llm_with_tools | JsonOutputToolsParser()

# 4. 执行与自动执行
# 当用户问 "How much is 100 USD in CNY?"
# Chain 输出: [{'type': 'get_exchange_rate', 'args': {'base_currency': 'USD', 'target_currency': 'CNY'}}]

关键点：

如果是简单的意图，我们可以像上面那样只运行到 Parser。
如果想实现"自动执行"，我们可以在 Chain 末尾接一个 RunnableLambda(execute_tools)，这就构成了一个完整的 Tool Chain。

优势：

灵活：能够处理多变的自然语言输入。
智能：利用 LLM 强大的参数提取能力，比正则表达式强大得多。

4. 模式三：高度动态 Agent (进阶)

为什么前两种还不够？

前两种模式都是单向的（DAG）。

模式一：Code -> LLM
模式二：LLM -> Code -> (End)

如果工具执行报错了怎么办？如果查到的汇率需要进一步计算怎么办？

这就需要 Loop (循环) ：
LLM -> Tool -> Result -> LLM (思考) -> Tool (重试/下一步) -> ...

这就是 Agent 的定义。

核心技术：LangGraph

在 LangChain 生态中，构建这种包含循环的 Agent 的最佳实践是使用 LangGraph。它允许定义有环图（Cyclic Graph），完美模拟 Agent 的思考-行动循环。

虽然 bind_tools 是 Agent 的基石，但要实现完整的 Agent，我们需要将其放入 LangGraph 的 StateGraph 中进行编排。

5. 总结与选型指南

模式	核心特征	适用场景	复杂度	稳定性
显式调用	代码控制路由	报表、固定工作流、预加载数据	低	⭐⭐⭐⭐⭐
Bind Tools	LLM 控制路由 (单步)	意图识别、简单查询、参数提取	中	⭐⭐⭐⭐
Agent	LLM 控制循环 (多步)	复杂任务解决、自我纠错、多工具协作	高	⭐⭐⭐

建议：始终从最简单的模式开始。如果模式一能解决问题，不要用模式二；如果模式二够用，不要上 Agent。

LangChain LCEL 工具调用实战：从确定性链到动态 Agent

1. 引言

2. 模式一：确定性显式调用 (Deterministic Explicit Chain)

适用场景

核心技术

实战代码解析 (src/examples/chains/demo_explicit_tool.py)

3. 模式二：半动态绑定 (Semi-dynamic Bind Tools)

适用场景

核心技术

实战代码解析 (src/examples/chains/demo_tool_chain.py)

4. 模式三：高度动态 Agent (进阶)

为什么前两种还不够？

核心技术：LangGraph

5. 总结与选型指南

实战代码解析 (`src/examples/chains/demo_explicit_tool.py`)

实战代码解析 (`src/examples/chains/demo_tool_chain.py`)