在 绑定工具Ⅱ中，我们通过 model.bind_tools(tools) 得到了一个 Runnable 实例 model_with_tools。这个实例就像一个普通的聊天模型，可以接受消息并给出回复，但它多了一个能力：在需要的时候，回复中会包含工具调用的请求。
本篇文章会聚焦在一个完整的调用流程上：定义工具 → 绑定模型 → 用 .invoke() 触发调用 → 解读返回的 AIMessage。
1、准备工具：用 @tool 装饰器定义函数
python
from langchain_openai import ChatDeepSeek
from langchain.core.messages import HumanMessage
from langchain.core.tools import tool
from typing_extensions import Annotated
# 定义大模型
model = ChatDeepSeek(model="deepseek-chat")
@tool
def add(
a: Annotated[int, "First integer"],
b: Annotated[int, "Second integer"]
) -> int:
"""Add two integers."""
return a + b
@tool
def multiply(
a: Annotated[int, "First integer"],
b: Annotated[int, "Second integer"]
) -> int:
"""Multiply two integers."""
return a * b关于
Annotated
Annotated[int, "First integer"]这种写法告诉 LangChain 这个参数的类型是int，并且附加了人类可读的描述"First integer"。这样在生成工具调用的 JSON Schema 时，模型就能更准确地理解每个参数的含义。
现在，add 和 multiply 已是两个标准的 LangChain 工具对象，可以被 bind_tools() 识别。
2、绑定并调用
python
tools = [add, multiply]
model_with_tools = model.bind_tools(tools)
# 调用工具
result = model_with_tools.invoke("9乘6等于多少？")
print(result)这里的关键是 .invoke()。我们直接传了一个中文问题 "9乘6等于多少？"，模型需要判断：
-
这个问题是否需要工具？
-
如果需要，选哪个工具？
-
调用该工具时需要什么参数？
结果 result 是一个 AIMessage 对象：
python
AIMessage(
content='',
additional_kwargs={
'tool_calls': [{
'id': 'call_mbNxNYVfA0rExEETcdECG1',
'function': {'name': 'multiply', 'arguments': {'a': 9, 'b': 6}},
'type': 'function'
}],
'refusal': None
},
response_metadata={
'token_usage': { ... },
'model_name': 'deepseek-chat',
'finish_reason': 'tool_calls',
...
},
id='run--1f43e942-d5bb-46dd-8df3-f45b75ed0836-0',
tool_calls=[{
'name': 'multiply',
'args': {'a': 9, 'b': 6},
'id': 'call_mbNxNYVfA0rExEETcdECG1',
'type': 'tool_call'
}],
usage_metadata={'input_tokens': 86, 'output_tokens': 17, 'total_tokens': 103}
)
content（消息正文）
值为空字符串
''。表示模型这次没有生成文本回复 ，而是直接选择调用工具。如果模型想同时给出文字说明，
content中就会包含那段话。
additional_kwargs
这是附加的有效负载数据，通常由模型提供程序直接编码。
其中的
tool_calls是一个列表，包含了模型计划调用的工具信息：
id：这次工具调用的唯一标识。
function：{'name': 'multiply', 'arguments': {'a': 9, 'b': 6}}，指出要调用的函数名及参数。
type：'function'，固定表示函数调用。
response_metadata
存放响应的元数据，例如：
token_usage：本次请求消耗的 token 数。
model_name：实际作答的模型版本。
finish_reason：结束原因，这里是'tool_calls'，说明模型因要调用工具而停止生成。这也是我们判断是否需要进行工具调用的一个重要标志。
tool_calls（最常用）
LangChain 为了方便开发者，直接解析了
additional_kwargs中的工具调用信息，放在了顶层的tool_calls属性里。它是一个列表，每个元素是一个字典，包含：
name：工具名（'multiply'）。
args：参数字典（{'a': 9, 'b': 6}）。
id：调用唯一 ID。
type：类型。实战中我们通常直接使用
result.tool_calls来获取工具调用请求 ，而不必手动钻入additional_kwargs。
usage_metadata
- 统计了本次调用的 token 使用情况，方便计费和性能监控。
| 字段 | 含义 | 关键作用 |
|---|---|---|
content |
模型的文本回复 | 为空字符串 '' 表示模型这次没有生成文本回复，而是直接选择调用工具。如果模型想同时给出文字说明，这里会包含对应的文本。 |
additional_kwargs |
附加的有效负载数据 | 由模型提供程序直接编码，其中的 tool_calls 列表包含了模型计划调用的工具信息。 |
tool_calls |
LangChain 解析后的工具调用信息 | 最常用的字段，直接包含了工具名、参数和调用 ID，实战中通常用 result.tool_calls 获取调用请求。 |
response_metadata |
响应的元数据 | 包含 token_usage（本次请求消耗的 token 数）、model_name（实际作答的模型版本）、finish_reason（结束原因）。其中 finish_reason='tool_calls' 是关键标志，说明模型因要调用工具而停止生成。 |
usage_metadata |
token 使用统计 | 方便计费和性能监控，和 response_metadata 中的 token_usage 信息一致。 |
3、小结
通过 .bind_tools() + .invoke()，我们让模型从"纯聊天"升级为"能主动提出工具调用需求"的智能体。返回的 AIMessage 中，tool_calls 是核心字段，它明确指出了要调用的函数名和参数。