LangChain 1.0 工具系统：从内置工具到自定义工具开发
玄同 765
大语言模型 (LLM) 开发工程师 | 中国传媒大学 · 数字媒体技术（智能交互与游戏设计）
CSDN · 个人主页 | GitHub · Follow
关于作者
- 深耕领域：大语言模型开发 / RAG 知识库 / AI Agent 落地 / 模型微调
- 技术栈：Python | RAG (LangChain / Dify + Milvus) | FastAPI + Docker
- 工程能力：专注模型工程化部署、知识库构建与优化，擅长全流程解决方案
「让 AI 交互更智能，让技术落地更高效」
欢迎技术探讨与项目合作，解锁大模型与智能交互的无限可能！
一、工具系统概述
1.1 工具系统核心概念
工具系统提供统一 Tool 抽象，支持所有主流模型的 Tool Calling，深度集成 LangGraph，构建可执行 agent 环境的关键能力层。工具系统是智能体与外部世界交互的桥梁，使模型能够执行各种操作，扩展其能力边界。
核心组件：
- 内置工具：搜索、计算、代码执行等100+工具
- 自定义工具：@tool装饰器 / BaseTool / ToolNode
- 工具包：Toolkit（如GitHub、Slack集成）
1.2 工具调用流程
1.3 工具系统架构
| 层级 | 组件 | 功能 | 实现方式 |
|---|---|---|---|
| 抽象层 | BaseTool | 工具基类 | 继承实现 |
| 实现层 | 具体工具 | 工具逻辑 | @tool装饰器、自定义类 |
| 集成层 | Toolkit | 工具集合 | 组合多个工具 |
| 执行层 | ToolNode | 工具执行 | LangGraph节点 |
1.4 工具调用的优势
| 优势 | 具体体现 | 应用场景 |
|---|---|---|
| 扩展能力 | 调用外部API和服务 | 集成第三方系统 |
| 实时数据 | 联网搜索获取最新信息 | 新闻、天气、股价 |
| 复杂计算 | 执行代码和数学运算 | 数据分析、科学计算 |
| 系统交互 | 操作文件和数据库 | 数据处理、持久化 |
| 任务自动化 | 多步骤任务执行 | 工作流自动化 |
二、内置工具使用
2.1 常用内置工具
LangChain 提供了丰富的内置工具，涵盖多种常见场景：
| 工具类型 | 功能描述 | 示例 |
|---|---|---|
| 搜索工具 | 联网搜索信息 | GoogleSearchTool |
| 计算工具 | 执行数学计算 | CalculatorTool |
| 代码执行 | 执行Python代码 | PythonREPLTool |
| 文件操作 | 读写文件 | FileSystemTool |
| 数据库 | 操作数据库 | SQLDatabaseTool |
2.2 内置工具使用示例
fromlangchain.toolsimportPythonREPLToolfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_openaiimportChatOpenAI# 1. 初始化工具python_repl=PythonREPLTool()# 2. 初始化模型model=ChatOpenAI(model="gpt-4o-mini")# 3. 创建包含工具信息的promptprompt=ChatPromptTemplate.from_template("你是一个助手，可以使用Python执行计算。\n""用户问题: {question}\n""如果需要计算，请使用Python工具。")# 4. 创建链chain=prompt|model# 5. 执行result=chain.invoke({"question":"计算1+2+3+...+100的和"})print(result.content)三、自定义工具开发
3.1 使用 @tool 装饰器
@tool装饰器是创建自定义工具的最简单方式：
fromlangchain_core.toolsimporttool@tooldefmultiply(a:int,b:int)->int:"""Multiplies a and b."""returna*b@tooldefdivide(a:int,b:int)->float:"""Divides a by b."""ifb==0:raiseValueError("除数不能为零")returna/b# 调用工具result=multiply.invoke({"a":2,"b":3})print(result)# 输出: 6# 批处理results=multiply.batch([{"a":2,"b":3},{"a":4,"b":5}])print(results)# 输出: [6, 20]3.2 继承 BaseTool 类
对于更复杂的工具，可以继承BaseTool类：
fromlangchain_core.toolsimportBaseToolfromtypingimportOptional,Type,TypeVar,Any T=TypeVar('T')classCustomTool(BaseTool):name:str="custom_tool"description:str="执行自定义操作"def_run(self,input_text:str,**kwargs:Any)->str:"""执行工具的核心逻辑"""# 实现工具逻辑returnf"处理结果:{input_text.upper()}"# 使用自定义工具tool=CustomTool()result=tool.invoke({"input_text":"hello world"})print(result)# 输出: 处理结果: HELLO WORLD3.3 使用 ToolNode
对于需要集成到 LangGraph 中的工具，可以使用ToolNode：
fromlanggraph.prebuiltimportToolNode# 1. 创建工具列表tools=[multiply,divide]# 2. 创建工具节点tool_node=ToolNode(tools)# 3. 在 LangGraph 中使用# (将在后续博客中详细介绍)四、工具包集成
4.1 工具包概述
工具包（Toolkit）是一组相关工具的集合，方便开发者快速集成特定领域的功能：
- GitHubToolkit：GitHub 操作
- SlackToolkit：Slack 消息发送
- GmailToolkit：邮件发送和接收
- GoogleCalendarToolkit：日历管理
4.2 工具包使用示例
以GitHubToolkit为例：
fromlangchain_community.agent_toolkits.github.toolkitimportGitHubToolkitfromlangchain_community.agent_toolkits.github.utilitiesimportGitHubAPIWrapper# 1. 初始化 GitHub API 包装器github=GitHubAPIWrapper(github_repository="langchain-ai/langchain",github_token="your-github-token")# 2. 创建工具包toolkit=GitHubToolkit.from_github_api_wrapper(github)# 3. 获取工具列表tools=toolkit.get_tools()print([tool.namefortoolintools])# 4. 使用工具issues_tool=next(toolfortoolintoolsiftool.name=="github-search-issues")result=issues_tool.invoke({"query":"bug"})print(result)五、工具调用最佳实践
5.1 工具设计原则
- 明确的描述：工具描述应该清晰说明工具的功能和参数
- 错误处理：工具应该妥善处理异常情况
- 参数验证：对输入参数进行验证
- 返回格式：返回结构化的结果，便于模型理解
5.2 工具安全性
- 权限控制：限制工具的访问权限
- 输入验证：验证用户输入，防止恶意代码
- 输出限制：限制工具输出的大小和内容
- 审计日志：记录工具的使用情况
5.3 工具性能优化
- 缓存：对频繁调用的结果进行缓存
- 异步：使用异步执行提高性能
- 批处理：对多个相似请求进行批处理
- 超时设置：为工具设置合理的超时时间
六、实战案例
6.1 构建一个天气查询工具
fromlangchain_core.toolsimporttoolimportrequests@tooldefget_weather(city:str)->str:"""获取指定城市的天气信息"""# 这里使用模拟数据，实际应用中可以调用真实的天气APIweather_data={"北京":"晴，15-25°C","上海":"多云，18-28°C","广州":"阴，22-30°C"}ifcityinweather_data:returnf"{city}的天气:{weather_data[city]}"else:returnf"抱歉，暂无法获取{city}的天气信息"# 测试工具result=get_weather.invoke({"city":"北京"})print(result)# 输出: 北京的天气: 晴，15-25°C6.2 构建一个智能体使用工具
fromlangchain.agentsimportcreate_agentfromlangchain_openaiimportChatOpenAI# 1. 初始化模型model=ChatOpenAI(model="gpt-4o-mini")# 2. 准备工具tools=[get_weather,multiply]# 3. 创建智能体agent=create_agent(model,tools)# 4. 执行任务result=agent.invoke({"messages":[{"role":"user","content":"北京的天气怎么样？"}]})print(result["messages"][-1]["content"])# 5. 执行需要计算的任务result=agent.invoke({"messages":[{"role":"user","content":"345乘以678等于多少？"}]})print(result["messages"][-1]["content"])七、应用场景分析
7.1 适合使用工具的场景
- 信息获取：需要实时信息或外部数据
- 计算密集：需要复杂计算或数据分析
- 系统交互：需要操作文件、数据库或API
- 代码执行：需要运行代码或脚本
- 多步骤任务：需要多个工具协作完成
7.2 工具系统的局限性
- API依赖：依赖外部服务的可用性
- 速率限制：可能受到API调用频率限制
- 安全性：需要谨慎处理用户输入
- 复杂性：工具过多会增加模型的决策难度
八、总结
LangChain 1.0 的工具系统通过统一的抽象和丰富的内置工具，为开发者提供了构建复杂智能体应用的强大能力。通过本文的介绍，开发者可以掌握工具的创建和使用方法，实现与外部系统的无缝集成，构建具备实际业务能力的AI应用。
在后续的博客中，我们将介绍如何利用这些工具构建完整的智能体应用，以及如何通过 LangGraph 实现更复杂的工作流。