LangChain使用AI工具赋能：解锁大语言模型无限潜力

1、Tool 的说明

没有工具的加持，再强大的AI都只是"思想上的巨人"，借助工具才能让AI应用的能力真正达到无限的可能。Tools用于扩展大语言模型的能力，使其能够与外部系统、API或自定义函数进行交互，从而完成仅靠文本生成无法实现的任务。

LangChain拥有大量的第三方工具，工具集列表：

https://python.langchain.com/v0.2/docs/integrations/tools/

2、Tool 的要素

工具通常包含如下几个核心元素：

• name：工具的名称；
• description：工具的功能描述；
• 工具输入的JSON模式；
• 要调用的函数；
• 与Agent相关：return_direct 是否将工具的结果直接给用户。

使用步骤：

• 步骤一：将name、description与JSON模式作为上下文提供给LLM；
• 步骤二：LLM根据提示词推断出要调用的工具，提出具体的参数调用信息；
• 步骤三：用户需要根据返回的工具调用信息，自行触发工具的回调。

Tool的常用属性：

属性	类型	描述
name	str	必须要，在提供给LLM或Agent的工具集中必须是唯一的
description	str	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	Pydantic BaseModel	可用于提供更多信息（例如，few-shot示例） 或验证预期参数
return_direct	bool	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

3、自定义工具

3.1 使用@tool装饰器定义工具

说明：装饰器默认使用函数的名称作为工具名称 ，也可以通过参数 name_or_callable 来覆盖此设置；装饰器将使用函数的文档字符串作为工具的描述，因此必须给函数提供文档字符串。

示例1：创建一个计算两数之和的工具

from langchain_core.tools import tool
@tool
def add_num(a:int,b:int) -> int:
    """计算两数之和"""  #必须要有
    return a+b

print(f"name={add_num.name}") # 默认是函数名称
print(f"args={add_num.args}")
print(f"description={add_num.description}") # 默认是函数的说明信息
print(f"return_direct={add_num.return_direct}") # 默认值是false

示例2：手动设置一些默认的参数

from langchain_core.tools import tool
@tool(name_or_callable = "add_two_number",description="add two number",return_direct = True)
def add_num(a:int,b:int) -> int:
    """计算两数之和"""  #必须要有
    return a+b

print(f"name={add_num.name}")
print(f"args={add_num.args}")
print(f"description={add_num.description}") # 默认是函数的说明信息
print(f"return_direct={add_num.return_direct}") # 默认值是false

工具的调用：

# 调用工具
add_num.invoke({"a":10,"b":10}) #20

示例3：修改args参数

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

class FieldInfo(BaseModel):
    a:int = Field(description="第1个整形参数")
    b:int = Field(description="第2个整形参数")

@tool(name_or_callable = "add_two_number",description="add two number",return_direct = True,args_schema=FieldInfo)
def add_num(a:int,b:int) -> int:
    """计算两数之和"""  #必须要有
    return a+b

print(f"name={add_num.name}")
print(f"args={add_num.args}")
print(f"description={add_num.description}") # 默认是函数的说明信息
print(f"return_direct={add_num.return_direct}") # 默认值是false

3.2 使用StructuredTool.from_function类方法

相比于第一种方式，这允许更多的配置和同步/异步实现的规范。

示例1：

from langchain_core.tools import StructuredTool

# 声明一个函数
def search_google(query:str):
    return "最后查询的结果"

# 定义一个工具
search01 = StructuredTool.from_function(
    func = search_google,
    name="Search",
    description = "查询谷歌搜索引擎，并将结果返回"
)
print(f"name={search01.name}")
print(f"args={search01.args}")
print(f"description={search01.description}")
print(f"return_direct={search01.return_direct}")

示例2：修改args参数

from langchain_core.tools import StructuredTool

# 声明一个函数
def search_google(query:str):
    return "最后查询的结果"

class FieldInfo(BaseModel):
    query:str = Field(description="检索的关键词")

# 定义一个工具
search02 = StructuredTool.from_function(
    func = search_google,
    name="Search",
    description = "查询谷歌搜索引擎，并将结果返回",
    return_direct = True,
    args_schema = FieldInfo
)
print(f"name={search02.name}")
print(f"args={search02.args}")
print(f"description={search02.description}")
print(f"return_direct={search02.return_direct}")

4、工具调用实例

4.1 大模型分析工具的调用

# 1、获取大模型
#1.导入相关依赖
from langchain_community.tools import MoveFileTool
from langchain_core.messages import HumanMessage
from langchain_core.utils.function_calling import convert_to_openai_function
import os
import dotenv
dotenv.load_dotenv()
from langchain_openai import ChatOpenAI
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
# 定义LLM模型
chat_model =ChatOpenAI(model="gpt-4o-mini",temperature=0)

# 2、获取工具的列表
tools = [MoveFileTool()]
# 3、这里需要将工具转换为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]
# 4、获取消息列表
messages = [HumanMessage(content = "将当前目录下的a.txt文件移动到C:\\桌面")]
# 5、调用大模型（传入消息列表、工具列表）
response = chat_model.invoke(input=messages,functions=functions) # invoke调用要传入函数的列表
print(response)

最终的结果就是分析出了需要调用的工具：move_file

如果继续查询天气情况呢？

functions = [convert_to_openai_function(t) for t in tools]
# 4、获取消息列表
messages = [HumanMessage(content = "明天天气怎么样")]
# 5、调用大模型（传入消息列表、工具列表）
response = chat_model.invoke(input=messages,functions=functions) # invoke调用要传入函数的列表
print(response)

# 输出：content='抱歉，我无法提供实时天气信息。建议您查看天气预报网站或使用天气应用程序获取最新的天气情况。
# additional_kwargs={'refusal': None} 

总结：根据上述代码可以发现AIMessage的核心属性

（1）如果分析出需要调用对应的工具时：

• content：信息为空，因为大模型要调用工具，因此不会直接返回信息给用户；
• additional_kwargs：包含function_call字段，指明了具体的函数调用参数和函数名；

（2）如果分析出不需要调用对应的工具：

• content：信息不为空；
• additional_kwargs：不包含调用字段；

4.2 如何调用具体大模型分析出来的工具

接着4.1的后续：

步骤一：分析出需要调用哪个工具或函数

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} \n 参数：{tool_args}")

else:
    print(f"模型回复：{response.content}")

# 输出：调用工具：move_file 
# 参数：{'source_path': 'a.txt', 'destination_path': 'C:\\桌面\\a.txt'}

步骤二：调用对应的工具

if "move_file" in response.additional_kwargs["function_call"]["name"]:
    tool = MoveFileTool()
    result = tool.run(tool_args) #调用工具
    print(result)

# 输出：File moved successfully from a.txt to C:\桌面\a.txt.