05-工具与MCP

第05章：工具与 MCP（Tools）

版本：LangChain v1.3.7 | 讲师：汤姆小白

1. Tools 概述

1.1 什么是工具

大模型只能生成文本，无法与外部世界交互。Tools（工具）为 LLM 装上"手脚"，让它能调用 API、搜索互联网、查询数据库、执行代码、操作文件等。

用户提问 → LLM 思考 → 决定调用工具 → 执行工具 → 获取结果 → 继续推理

1.2 工具的构成要素

每个 Tool 包含以下要素：

Tool 的 name 和 description 至关重要——LLM 完全靠这两项判断何时调用哪个工具。

2. 自定义工具

2.1 @tool 装饰器（最简单）

fromlangchain_core.toolsimporttool@tooldefadd(a:int,b:int)->int:"""两个整数相加"""returna+bprint(add.name)# addprint(add.description)# 两个整数相加print(add.args)# {'a': {'type': 'integer'}, 'b': {'type': 'integer'}}# 调用result=add.invoke({"a":10,"b":20})# 30

自定义名称和描述：

@tool("calculator",description="执行数学计算",return_direct=True)defcalculate(expression:str)->float:"""计算数学表达式"""returneval(expression)

使用 Pydantic 完善参数描述：

frompydanticimportBaseModel,FieldclassSearchInput(BaseModel):query:str=Field(description="搜索关键词")max_results:int=Field(default=5,description="最大结果数")@tool(args_schema=SearchInput)defweb_search(query:str,max_results:int=5)->str:"""搜索互联网获取信息"""# 实际调用搜索 APIreturnf"关于 '{query}' 的搜索结果..."

2.2 StructuredTool.from_function（更灵活）

fromlangchain_core.toolsimportStructuredTooldefget_weather(city:str)->str:"""获取城市天气"""returnf"{city}今天晴，28°C"weather_tool=StructuredTool.from_function(func=get_weather,name="get_weather",description="查询指定城市的天气情况",)weather_tool.invoke({"city":"北京"})# 北京今天晴，28°C

异步工具：

asyncdeffetch_stock_price(symbol:str)->str:"""获取股票实时价格"""awaitasyncio.sleep(0.5)# 模拟 API 调用returnf"{symbol}当前价格: ¥128.50"stock_tool=StructuredTool.from_function(coroutine=fetch_stock_price,# 用 coroutine 而不是 funcname="stock_price",description="查询股票实时价格",)

2.3 两种方式对比

3. 工具与模型绑定

3.1 bind_tools：将工具绑定到模型

fromlangchain.chat_modelsimportinit_chat_modelfromlangchain_core.toolsimporttoolfromlangchain_core.messagesimportHumanMessage@tooldefadd(a:int,b:int)->int:"""两个整数相加"""returna+b@tooldefmultiply(a:int,b:int)->int:"""两个整数相乘"""returna*b model=init_chat_model("openai:gpt-4o-mini")model_with_tools=model.bind_tools([add,multiply])# LLM 会判断需要调用哪个工具response=model_with_tools.invoke([HumanMessage(content="10 加 20 等于多少？")])# 查看工具调用ifresponse.tool_calls:fortcinresponse.tool_calls:print(f"调用工具:{tc['name']}")print(f"参数:{tc['args']}")# 手动执行工具iftc['name']=='add':result=add.invoke(tc['args'])print(f"结果:{result}")

3.2 工具调用执行循环

完整的工具调用流程：

fromlangchain_core.messagesimportHumanMessage,ToolMessage# 1. 模型判断需要调用工具response=model_with_tools.invoke([HumanMessage(content="25乘以4是多少？")])# 2. 执行工具tool_results=[]fortcinresponse.tool_calls:tool_name=tc['name']iftool_name=='multiply':result=multiply.invoke(tc['args'])tool_results.append(ToolMessage(content=str(result),tool_call_id=tc['id']))# 3. 将工具结果返回给模型，获得最终回答final_response=model_with_tools.invoke([HumanMessage(content="25乘以4是多少？"),response,# AI 的工具调用消息*tool_results,# 工具执行结果])print(final_response.content)# 25乘以4等于100

3.3 控制工具调用行为

# 强制调用任意工具model_with_forced_tool=model.bind_tools([add,multiply],tool_choice="any",# 必须调用某个工具)# 强制调用指定工具model_with_specific=model.bind_tools([add,multiply],tool_choice="add",# 必须调用 add)# 禁用并行调用（某些模型支持）model_serial=model.bind_tools([add,multiply],parallel_tool_calls=False,)

4. MCP 协议

4.1 什么是 MCP

MCP（Model Context Protocol）是一种开放的标准化协议，让 AI 应用能够通过统一接口连接各种外部工具和数据源。类似 USB 协议统一了外部设备连接——MCP 统一了工具/数据源的接入方式。

LangChain → MCP Server → 外部服务（数据库/API/文件系统/...）

4.2 MCP 的优势

4.3 使用 MCP 工具

fromlangchain_mcp_adapters.clientimportMultiServerMCPClient# 连接 MCP Serverclient=MultiServerMCPClient({"weather":{"command":"python","args":["-m","mcp_server_weather"],},"database":{"command":"python","args":["-m","mcp_server_sqlite","--db-path","data.db"],},})# 获取工具列表tools=client.get_tools()fortintools:print(f"{t.name}:{t.description}")# 绑定到模型model=init_chat_model("openai:gpt-4o-mini")model_with_mcp=model.bind_tools(tools)# Agent 会自动调用 MCP 工具

MCP Server 可以用 Python、Node.js 等任何语言编写，也可以安装社区已有的各类 MCP Server（文件系统、数据库、搜索引擎等）。

5. 内置工具

LangChain 提供了丰富的内置工具。

5.1 Tavily 搜索引擎

pipinstalltavily-python

fromlangchain_community.tools.tavily_searchimportTavilySearchResults search=TavilySearchResults(max_results=3,api_key="your_key")results=search.invoke("2026年AI最新进展")forrinresults:print(r["content"])

5.2 Wikipedia 查询

pipinstallwikipedia

fromlangchain_community.toolsimportWikipediaQueryRunfromlangchain_community.utilitiesimportWikipediaAPIWrapper wikipedia=WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())result=wikipedia.invoke("量子计算")print(result)

5.3 Python REPL（代码执行）

fromlangchain_experimental.toolsimportPythonREPLTool repl=PythonREPLTool()result=repl.invoke("print(sum([i**2 for i in range(10)]))")# 输出: 285

5.4 文件操作工具

fromlangchain_community.tools.file_managementimport(ReadFileTool,WriteFileTool,ListDirectoryTool,MoveFileTool,CopyFileTool)reader=ReadFileTool()content=reader.invoke({"file_path":"./data.txt"})writer=WriteFileTool()writer.invoke({"file_path":"./output.txt","text":"Hello LangChain"})

6. 工具集 Toolkits

Toolkit 是一组紧密相关的工具集合，开箱即用。

6.1 SQL 数据库工具集

pipinstallpymysql

fromlangchain_community.agent_toolkitsimportSQLDatabaseToolkitfromlangchain_community.utilitiesimportSQLDatabase db=SQLDatabase.from_uri("mysql+pymysql://user:pass@localhost/db")toolkit=SQLDatabaseToolkit(db=db,llm=model)tools=toolkit.get_tools()fortintools:print(t.name)# sql_db_query, sql_db_schema, sql_db_list_tables, sql_db_query_checker

6.2 JSON 工具集

fromlangchain_community.tools.json.toolimportJsonSpecfromlangchain_community.agent_toolkitsimportJsonToolkit json_spec=JsonSpec(dict_={"name":"产品","price":99})toolkit=JsonToolkit(spec=json_spec)

7. 工具最佳实践

1. 描述要精准：工具描述直接决定 LLM 能否正确调用。写明"什么时候用"“输入什么”“输出什么”
2. 参数用 Pydantic：args_schema让 LLM 精确理解参数格式和含义
3. invoke代替run：v1 统一用invoke()方法
4. 工具要原子化：每个工具只做一件事，复杂流程用多个工具组合
5. 异常处理：工具内部做好错误捕获，返回有意义的错误信息而非 traceback
6. MCP 优先：系统级操作（数据库、文件系统、API）优先考虑用 MCP 协议接入

本章小结