🌟 LangChain 30 天保姆级教程 · Day 23｜Agent 进阶实战！Function Calling + 自动 Tool 注册，打造会“动

系列目标 ：30 天从 LangChain 入门到企业级部署
今日任务：理解 ReAct Agent 原理 → 实现自定义 Tool → 构建"查订单 + 发通知"自动化工作流！

🤖 一、为什么需要 Function Calling？

普通聊天机器人只能"说"，但企业需要 AI 能"做"：

"帮我查订单 1001 的状态"
"如果已发货，发邮件通知客户"
"顺便查下今天北京天气"

传统 Chain 的局限：

❌ 固定流程，无法动态决策
❌ 不能组合多个外部服务

解决方案：

✅ Agent + Tools ------ 让 LLM 自主规划 、调用工具 、整合结果！
💡 今天，我们就用 LangChain 的 ReAct Agent + 自定义 Tool，打造一个会"思考+行动"的 AI 助手！

🧠 二、Agent 核心原理：ReAct 框架

ReAct = Reasoning（推理） + Acting（行动）

工作流程：

用户提问 → Agent 分析是否需要工具
若需要 → 选择合适 Tool + 生成参数
调用 Tool → 获取结果
基于结果生成最终回答（可多轮）

🔑 关键：LLM 必须支持 Function Calling（结构化输出）
✅ Qwen 通过 Ollama 支持 Function Calling （需 ollama>=0.1.34）

🛠️ 三、动手实践 1：定义自定义 Tool

假设我们有两个内部服务：

Tool 1：查询订单状态（模拟）

python 复制代码

# day23_agent_tools.py
from langchain_core.tools import tool

@tool
def get_order_status(order_id: str) -> str:
    """根据订单ID查询物流状态。输入必须是纯数字字符串，如 '1001'"""
    # 模拟数据库查询
    mock_db = {
        "1001": "已发货，快递单号 SF123456789CN",
        "1002": "处理中",
        "1003": "已签收"
    }
    return mock_db.get(order_id, "订单不存在")

Tool 2：发送邮件通知（模拟）

python 复制代码

@tool
def send_email(to: str, subject: str, body: str) -> str:
    """发送邮件给指定收件人"""
    # 模拟发送
    return f"✅ 邮件已发送至 {to}，主题：{subject}"

✅ 使用 @tool 装饰器 → 自动提取函数名、描述、参数 schema！

🧩 四、动手实践 2：创建 ReAct Agent

步骤 1：初始化支持 Function Calling 的 LLM

ini 复制代码

# day23_react_agent.py
from langchain_ollama import ChatOllama

# 关键：启用 function calling（Ollama 会自动处理）
llm = ChatOllama(
    model="qwen:7b",
    temperature=0,
    format="json"  # 强制 JSON 输出（部分版本需要）
)

⚠️ 确保 Ollama 版本 ≥ 0.1.34，并已拉取最新 Qwen 模型：
复制代码
ollama pull qwen:7b

步骤 2：绑定 Tools 到 Agent

ini 复制代码

from langchain.agents import create_react_agent, AgentExecutor
from langchain import hub

# 加载 ReAct Prompt（官方模板）
prompt = hub.pull("hwchase17/react")

# 创建 Agent
agent = create_react_agent(
    llm=llm,
    tools=[get_order_status, send_email],  # 自动注册！
    prompt=prompt
)

# 创建执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=[get_order_status, send_email],
    verbose=True,
    handle_parsing_errors=True  # 容错
)

✅ hub.pull("hwchase17/react") 是 LangChain 官方维护的 ReAct Prompt！

步骤 3：测试多步任务

ini 复制代码

# 场景：用户要求"查订单并通知"
query = "订单 1001 如果已发货，请发邮件通知 customer@example.com"

result = agent_executor.invoke({"input": query})
print("\n🤖 最终回答：", result["output"])

▶️ 执行过程（verbose=True 输出）：

makefile 复制代码

Thought: 我需要先查询订单状态
Action: get_order_status
Action Input: {"order_id": "1001"}
Observation: 已发货，快递单号 SF123456789CN
Thought: 订单已发货，需要发送邮件
Action: send_email
Action Input: {"to": "customer@example.com", "subject": "您的订单已发货", "body": "订单 1001 已发货..."}
Observation: ✅ 邮件已发送至 customer@example.com...
Thought: 任务完成
Final Answer: 已为您查询订单 1001，状态为"已发货"，并已发送邮件通知客户。

✅ 完美实现：

自主决策调用顺序

正确解析参数

整合多工具结果

🌐 五、进阶：自动注册目录下所有 Tool

避免手动导入每个函数：

python 复制代码

import inspect
from pathlib import Path

def auto_register_tools(tool_module_path: str):
    """自动注册指定模块下的所有 @tool 函数"""
    spec = importlib.util.spec_from_file_location("tools", tool_module_path)
    module = importlib.util.module_from_spec(spec)
    spec.loader.exec_module(module)
    
    tools = []
    for name, obj in inspect.getmembers(module):
        if hasattr(obj, "_tool_name"):  # langchain tool 标记
            tools.append(obj)
    return tools

# 使用
tools = auto_register_tools("./my_company_tools.py")
agent_executor = AgentExecutor(agent=agent, tools=tools, ...)

💡 适用于微服务架构：每个业务域提供自己的 tools.py

⚠️ 六、注意事项 & 最佳实践

表格

问题	建议
LLM 不调用 Tool	在 Prompt 中强调"必须使用工具"；检查函数描述是否清晰
参数解析错误	使用明确的类型注解（`str`, `int`）；避免复杂嵌套
工具副作用（如真发邮件）	开发阶段用 Mock；生产加审批开关
循环调用	设置 `max_iterations=5` 防死循环
中文工具描述失效	确保 Ollama/Qwen 支持中文 Function Calling（Qwen 表现良好）

💡 安全建议：

所有 Tool 输入做校验（如 order_id.isdigit()）

敏感操作（如删数据）需人工确认

记录完整 Action 日志用于审计

📦 七、配套代码结构

bash 复制代码

langchain-30-days/
└── day23/
    ├── my_company_tools.py   # 自定义 Tool 定义
    └── react_agent_main.py   # Agent 创建与执行

📝 八、今日小结

✅ 理解了 ReAct Agent 的"推理+行动"机制
✅ 学会了用 @tool 装饰器定义自定义工具
✅ 实现了多步任务自动化（查订单 → 发邮件）
✅ 掌握了自动注册 Tool 的工程技巧
✅ 知道了安全与容错的最佳实践

🎯 明日预告：Day 24 ------ Plan-and-Execute Agent！让 AI 先制定计划再执行，解决复杂任务！