@
目录

前言
一、聊天模型的工具定义
- （一）创建工具
  - [1、使用 @tool 装饰器创建工具](#1、使用 @tool 装饰器创建工具)
    - [（1）依赖 Pydantic 类模式](#（1）依赖 Pydantic 类模式)
    - [（2）依赖 Annotated](#（2）依赖 Annotated)
  - [2、使用 StructuredTool 类提供的函数创建工具](#2、使用 StructuredTool 类提供的函数创建工具)
    - （1）常规方法
    - [（2）依赖 Pydantic 类](#（2）依赖 Pydantic 类)
    - [（3）加入 response_format 配置](#（3）加入 response_format 配置)
- （二）绑定与调用工具
- （三）工具与聊天模型的交互
  - 1、工具的属性
  - 2、将工具输出传递给聊天模型
- [（四）LangChain 提供的工具](#（四）LangChain 提供的工具)
结语

前言

在讲述了如何用Langchain的接口来进行聊天模型的定义后，我们本期来具体介绍聊天模型中的工具。

一、聊天模型的工具定义

工具调用根本作用是让大语言模型（LLM）具备与外部世界交互的能力。工具调用打破了LLM因受限于其训练数据（存在滞后性）和内在的文本生成逻辑，无法执行直接计算、查询实时信息、操作数据库或调用任何外部 API的壁垒，使其获得更多权限与能力。

（一）创建工具

1、使用 @tool 装饰器创建工具

这种方式需要注意以下几点：

该装饰器默认使用函数名称作为工具名称。
该装饰器将使用函数的文档字符串作为工具的描述。

而函数名、类型提示和文档字符串都是传递给工具 Schema 的⼀部分，不可缺失。Schema 是一个描述工具的Json串。

（1）依赖 Pydantic 类模式

python 复制代码

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

class AddInput(BaseModel):
    '''两数相加'''

    x : int = Field(...,description='第一个整数')
    y : int = Field(...,description='第二个整数')


@tool(args_schema=AddInput)
def add(x:int,y:int)->int:
    return x+y

值得注意的是代码中 @tool 的 args_schema 参数，其表示工具函数在未提供描述、文档字符串等需要传递给工具 Schema 的内容时，依赖 Pydantic 类使用 args_schema 参数，来定义并提供工具输⼊参数的schema，默认为 None。

（2）依赖 Annotated

依赖 Annotated 和文档字符串传递给工具 Schema。

python 复制代码

@tool
def add(
    x:Annotated[int,...,'第一个整数'],
    y:Annotated[int,...,'第二个整数'],
)->int:
    """两数相加

    Args:
        x: 第一个整数
        y: 第二个整数
    """
    return x + y


print(add.invoke({'x':1,'y':2}))
print(add.name)
print(add.description)
print(add.args)

2、使用 StructuredTool 类提供的函数创建工具

class langchain_core.tools.structured.StructuredTool 这个类使用来初始化工具的，可以用其中的 from_function 类方法通过给定的函数来创建并返回一个工具。from_function 的具体参数可查看此处。

（1）常规方法

使用from_function 类方法同样要将函数名、类型提示和文档字符串传递给工具 Schema 。

python 复制代码

from langchain_core.tools import StructuredTool

def add(x:int,y:int)->int:
    """两数相加

    Args:
        x: 第一个整数
        y: 第二个整数
    """
    return x + y

add_tool = StructuredTool.from_function(func= add)
print(add_tool.invoke({'x':1,'y':2}))

（2）依赖 Pydantic 类

我们同样可以用Pydantic 类来传递所需信息传递给 Schema 。

python 复制代码

from langchain_core.tools import StructuredTool
from pydantic import BaseModel, Field
from pydantic_core.core_schema import arguments_schema

class addInput(BaseModel):
    x:int = Field(...,description="第一个整数")
    y:int = Field(...,description="第二个整数")

def add(x:int,y:int)->int:
    return x+y

add_tool = StructuredTool.from_function(
    func = add,
    description='两数相加',
    arguments_schema=addInput
)

print(add_tool.invoke({'x':1,'y':2}))

（3）加入 response_format 配置

设想如果我们让大模型读取content的同时，将一些用来构造 content 的原始数据保存下来，当后续有⼀些记录、分析的步骤，就可以派上用了。而部分这就是 artifact 。而artifact 通常需要使用字典 Dict 或列表 List 保存。通过artifact里存放的原生数据，我们能更有效地做日志记录、分析，或自定义后续的处理。

因此我们可以在工具区中分消息内容（content）和其他工件（artifact）

需要在定义工具时指定 response_format="content_and_artifact" 参数，并确保我们返回一个元组 (content, artifact)。

python 复制代码

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

class addInput(BaseModel):
    x:int = Field(...,description="第一个整数")
    y:int = Field(...,description="第二个整数")

def add(x:int,y:int)->tuple[str,list[int]]:
    nums = [x,y]
    content = f"{nums} 相加结果是{x+y}"
    return content,nums

add_tool = StructuredTool.from_function(
    func = add,
    description='两数相加',
    arguments_schema=addInput,
    response_format='content_and_artifact',
)

print(add_tool.invoke(
    {
        "name": "add",
        "args": {'x': 3, 'y': 6},
        "type": "tool_call",  # 必填
        'id': "111",  # 必填，用来将工具调用请求和结果关联起来
    }
))

在链（Chain）中，⼯具调用之后的其他组件或函数，可能需要工具的原始且结构化数据（即artifact ）来执行特定操作。而这些大量数据不适合直接交给LLM，所以artifact 里的数据其实是为了给链中后续的组件或函数使用的。

（二）绑定与调用工具

为了实际将这些⼯具绑定到聊天模型，可以使用聊天模型的 .bind_tools() 方法。

python 复制代码

@tool
def add(
        x: Annotated[int,...,'第一个整数'],
        y: Annotated[int,...,'第二个整数'],
)->int:
    """两数相加"""
    return x + y

@tool
def multiply(
        x:Annotated[int,...,'第一个整数'],
        y:Annotated[int,...,'第二个整数'],
)->int:
    """两数相乘"""
    return x * y

model = ChatOpenAI(
    model = "deepseek-v4-flash",
    api_key=os.environ.get('DEEPSEEK_API_KEY'),
    base_url="https://api.deepseek.com",
)

# 绑定工具
tools = [add, multiply]
model_with_tools = model.bind_tools(tools=tools)

同时.bind_tools()方法所返回的是一个Runnable实例，所以我们可以用调用 .invoke() 方法，完成工具的调用。工具调用的⼀个关键原则是，模型根据输入的相关性决定何时使用⼯具。模型并不总是需要调用工具。所以如果给定一个不相关的输入，模型不会调用该工具。

当然如果我们想让模型强制调用工具，那就需要在绑定工具时，设置 tool_choice="any" ，表示强制调用至少一个工具。

python 复制代码

model_with_tools = model.bind_tools(tools=tools,tool_choice="any")

此时可通过两种不同的工具绑定方式来让模型来调用工具，看一下效果。

python 复制代码

print(model_with_tools.invoke("2乘以3等于多少?"))
# print(model_with_tools.invoke("who are you?"))
# 模型在没有强制选择工具的情况下，会根据问题来决定是否使用工具

（三）工具与聊天模型的交互

在这之前，我们都是将工具与聊天模型进行绑定后，让聊天模型对工具进行调用，但大模型没有使用到工具的结果来进行问题的处理。此时就需要将工具输出传递给聊天模型。

1、工具的属性

在将工具输出传递给聊天模型之前，我们要了解工具的属性以及工具的具体输出是什么。

我们知道.invoke()的输出结果是一个 AIMessage，如果调用了工具，则输出结果里将具有一个 tool_calls 属性。此属性包括执行该工具所需的一切，包括工具名称和输入参数。

2、将工具输出传递给聊天模型

要将工具输出传递给聊天模型，就要包括 HumanMessage、AIMessage （工具调用）、ToolMessage。而聊天模型会根据以上消息输入，将最终结果 AIMessage 返回。

python 复制代码

import os
from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI
from typing_extensions import Annotated
from langchain_core.tools import tool


@tool
def add(
        x: Annotated[int,...,'第一个整数'],
        y: Annotated[int,...,'第二个整数'],
)->int:
    """两数相加"""
    return x + y

@tool
def multiply(
        x:Annotated[int,...,'第一个整数'],
        y:Annotated[int,...,'第二个整数'],
)->int:
    """两数相乘"""
    return x * y

model = ChatOpenAI(
    model = "deepseek-v4-flash",
    api_key=os.environ.get('DEEPSEEK_API_KEY'),
    base_url="https://api.deepseek.com",
)

# 绑定工具
tools = [add, multiply]
model_with_tools = model.bind_tools(tools=tools)

# 定义消息列表，添加要传递给聊天模型的消息
messages = [
    HumanMessage("2乘以3等于多少？6加3等于多少？")
]
ai_msg = model_with_tools.invoke(messages)
# print(ai_msg)
messages.append(ai_msg)

# 构造ToolMessage,并添加到消息列表中去
for tool_call in ai_msg.tool_calls:
    selected_tool = {"add":add,"multiply":multiply}[tool_call['name'].lower()]
    tool_msg = selected_tool.invoke(tool_call)
    messages.append(tool_msg)

print(messages)
print(model_with_tools.invoke(messages).content)

通过运行上面的代码，我们发现实际上我们调用了两次聊天模型。第一次仅将【 HumanMessage 】发送给聊天模型进行处理，结果返回了【包含⼯具调用的AIMessage】，然后执行工具，得到 ToolMessage 。第二次将【HumanMessage + AIMessage + ToolMessage 】消息记录发送给聊天模型进行处理，结果返回了【包含结果的 AIMessage 】。

（四）LangChain 提供的工具

我们除了可以自己写的工具，LangChain 官⽅也已经给我们提供了很多现成的工具（Tool）和工具包（Toolkit），具体见官网此处。同时我们也可以去官网查找里面工具的具体说明与使用方法，具体见官网此处。

结语

以上就是在Langchain中如何具体给聊天模型绑定工具与调用工具的内容了。如果喜欢我的内容，请点赞、收藏加关注，多多支持我，以及欢迎各位在评论区讨论交流，并指出我的不足，谢谢大家。

Langchain简单快速上手教程（三）——聊天模型之工具

前言

一、聊天模型的工具定义

（一）创建工具

1、使用 @tool 装饰器创建工具

（1）依赖 Pydantic 类模式

（2）依赖 Annotated

2、使用 StructuredTool 类提供的函数创建工具

（1）常规方法

（2）依赖 Pydantic 类

（3）加入 response_format 配置

（二）绑定与调用工具

（三）工具与聊天模型的交互

1、工具的属性

2、将工具输出传递给聊天模型

（四）LangChain 提供的工具

结语