【LangChain 1.2 实战（六）】工具调用 (Function Calling)

一、上一章回顾

模型初始化通过 init_llm.py 使用 LangChain 的 init_chat_model 初始化了 DeepSeek 模型，并成功进行了简单问答。代码：

python 复制代码

from langchain.chat_models import init_chat_model
from app.config import DEEPSEEK_API_KEY, DEEPSEEK_BASE_URL, MODEL_NAME

# 使用 init_chat_model 创建 DeepSeek 聊天模型实例
# 模型标识格式为 "provider:model_name"，DeepSeek 兼容 OpenAI 接口，故 provider 写 "openai"
deepseek_llm = init_chat_model(
    model=f"openai:{MODEL_NAME}",      # 例如 "openai:deepseek-chat"
    openai_api_key=DEEPSEEK_API_KEY,
    openai_api_base=DEEPSEEK_BASE_URL,
    temperature=0,
)

并使用验证了一下调用模型的效果

python 复制代码

from init_llm import deepseek_llm

response = deepseek_llm.invoke("你好，请介绍一下自己")
print(response.content)

但如果问一个需要实时数据的问题，比如"北京现在天气如何？"，模型会怎么回答？

二、示例一：不调用工具的直接问答

2.1 代码 (`no_tool_demo.py`)

python 复制代码

"""
示例一：不调用工具 -- 直接问答
"""
from init_llm import deepseek_llm

question = "北京的天气如何？"
response = deepseek_llm.invoke(question)
print("模型回复：", response.content)

2.2 实际运行结果

复制代码

模型回复： 北京的天气会随季节变化较大，以下是当前和未来几天的概况（截至2023年10月更新，实际天气请以最新预报为准）

2.3 现象分析

模型很诚实，但也很无奈。因为它的知识截止于训练数据，而天气是随时变化的。如果强行回答，就可能产生"幻觉"------胡编一个结果。

这揭示了纯语言模型的根本局限：

知识陈旧，无法获取最新信息；
无法与外部世界交互（查数据库、调 API、执行操作）。

那么，能不能让模型自己去"查"一下呢？这就是我们今天要学的 工具调用。

三、工具调用核心概念

工具调用 ，也叫 Function Calling，是一种让模型能够"请求"外部函数执行的机制。流程如下：

用户提问

→ 模型判断需要调用工具

→ 返回"工具调用指令"

→ 我们的代码执行该工具

→ 将结果返回给模型

→ 模型结合结果生成自然语言回复

关键角色：

工具 (Tool)：一个带有描述的实际函数（如查天气）。
绑定 (Bind)：让模型知道有哪些工具可用。
工具调用指令 (Tool Call)：模型输出的结构化要求（"请执行函数X，参数为Y"）。
工具消息 (ToolMessage)：把执行结果包装后送回模型。

四、示例二：带工具调用的智能问答

现在我们要让模型能真实地查询天气。

4.1 定义工具函数

工具就是一个普通的 Python 函数，但我们用 @tool 装饰器标记它。函数的文档字符串至关重要，模型会根据它来理解工具的功能和使用方法。

python 复制代码

from langchain_core.tools import tool

@tool
def get_weather(location: str) -> str:
    """查询指定城市的实时天气情况。参数 location：城市名称，例如 '北京'。"""
    weather_data = {
        "北京": "晴，温度 22°C，湿度 40%",
        "上海": "多云，温度 25°C，湿度 70%",
        "深圳": "阵雨，温度 28°C，湿度 85%",
    }
    return weather_data.get(location, f"未找到 {location} 的天气信息")

4.2 完整代码：绑定工具并多步交互

python 复制代码

"""
示例二：完整的工具调用 (Function Calling) 示例
使用 LangChain + DeepSeek API
前提：已通过 init_llm.py 初始化模型
"""
from langchain_core.tools import tool
from langchain_core.messages import HumanMessage, ToolMessage
from init_llm import deepseek_llm    # 使用已配置好的模型

# ========== 1. 定义工具 ==========
@tool
def get_weather(location: str) -> str:
    """查询指定城市的实时天气情况。参数 location：城市名称，例如 '北京'。"""
    weather_data = {
        "北京": "晴，温度 22°C，湿度 40%",
        "上海": "多云，温度 25°C，湿度 70%",
        "深圳": "阵雨，温度 28°C，湿度 85%",
    }
    return weather_data.get(location, f"未找到 {location} 的天气信息")

# ========== 2. 绑定工具到模型 ==========
model_with_tools = deepseek_llm.bind_tools([get_weather])

# ========== 3. 用户提问，模型返回工具调用指令 ==========
user_question = "北京的天气如何？"
response = model_with_tools.invoke(user_question)

print("工具调用指令：", response.tool_calls)

# ========== 4. 真正执行工具，获取结果 ==========
tool_messages = []
if response.tool_calls:
    for tool_call in response.tool_calls:
        tool_name = tool_call["name"]
        tool_args = tool_call["args"]

        if tool_name == "get_weather":
            result = get_weather.invoke(tool_args)   # 此处真正执行函数
            print(f"工具执行结果：{result}")

            # 将结果包装为 ToolMessage（必须携带 tool_call_id）
            tool_messages.append(
                ToolMessage(content=result, tool_call_id=tool_call["id"])
            )

# ========== 5. 将工具结果返回模型，生成最终回答 ==========
if tool_messages:
    final_response = deepseek_llm.invoke(
        [HumanMessage(content=user_question), response] + tool_messages
    )
    print("\n最终回答：", final_response.content)
else:
    # 如果模型没调用工具，直接输出原回复
    print("\n最终回答：", response.content)

4.3 运行结果

复制代码

工具调用指令： [{'name': 'get_weather', 'args': {'location': '北京'}, 'id': 'call_abc123'}]
工具执行结果：晴，温度 22°C，湿度 40%

最终回答： 北京今天的天气是晴天，温度22°C，湿度40%，非常适合外出。

4.4 逐步解析

步骤	消息类型	发生了什么	谁在执行
① 用户提问	【HumanMessage】	`"北京的天气如何？"`	用户
② 模型决策	【AIMessage】	模型发现绑定了 `get_weather` 工具，判断需要调用，返回指令：`get_weather(location="北京")`	模型
③ 执行工具		我们的代码解析指令，真正调用 `get_weather("北京")`，得到结果字符串	我们的程序
④ 结果返回	【ToolMessage】	将天气结果包装成 `ToolMessage`，连同原问题一起再次发给模型	我们的程序
⑤ 最终生成	【AIMessage】	模型阅读天气结果，生成流畅自然的中文回答	模型

要点：

tool_calls 是模型输出的结构化指令，不是真正的函数调用。我们必须在代码中手动执行函数。
ToolMessage 必须附带与对应的 tool_call 相同的 id，这样模型才能将指令和结果正确关联。
LangChain 的 .bind_tools() 自动将工具的签名和描述转换为模型能理解的格式。

五、两段代码全面对比

对比维度	示例一（不调用工具）	示例二（调用工具）
信息准确性	可能过时或直接说"不知道"	基于真实数据，准确
模型角色	仅被动回答	主动判断需调用哪个工具，再组织答案
与外界交互	无	可连接数据库、API、文件系统等
交互轮次	单轮	至少两轮（模型→工具→模型）
代码复杂度	极简	需处理工具调用指令、工具执行和 ToolMessage
输出示例	"我无法获取实时天气"	"北京今天晴，22°C，湿度40%"
适用场景	常识问答、文本生成	实时查询、数据操作、自动化任务

核心差异一句话：

不调用工具，模型是"知识有限的作家"；

调用工具，模型是"能动手获取知识的智能代理"。

六、总结

通过两段代码的对比，明白为什么需要工具调用 ，以及如何实现它。

关键收获：

模型通过 tool_calls 输出结构化的调用指令，而非直接执行。
我们编写代码执行工具，并用 ToolMessage 将结果送回。
tool_call_id 是连接指令和结果的关键纽带。
从简单的问答模型，到可扩展的智能代理，工具调用是最重要的一步。

【LangChain 1.2 实战（六）】 工具调用 (Function Calling)

一、上一章回顾

二、示例一：不调用工具的直接问答

2.1 代码 (no_tool_demo.py)

2.2 实际运行结果

2.3 现象分析

三、工具调用核心概念

四、示例二：带工具调用的智能问答

4.1 定义工具函数

4.2 完整代码：绑定工具并多步交互

4.3 运行结果

4.4 逐步解析

五、两段代码全面对比

六、总结

【LangChain 1.2 实战（六）】工具调用 (Function Calling)

2.1 代码 (`no_tool_demo.py`)