当前位置：首页 > news >正文

langchain的工具调用

news 2026/3/27 5:40:30

Tools 就是给大模型安装的"手和脚"，让大模型能够调用外部函数/API来获取实时信息或执行具体操作。

Tools 的工作流程

完整流程

用户问题 → 大模型思考 → 调用Tool → 执行Tool → 结果返回 → 大模型重新组织 → 最终回答

# 1. 用户提问user_question="北京今天多少度？顺便计算一下(25+18)/2等于多少？"# 2. 第一次思考：大模型分析需要调用什么工具""" 大模型思考： - 需要天气信息 → 调用 weather_tool - 需要数学计算 → 调用 calculator_tool"""# 3. 大模型返回调用指令（不是最终回答！）model_response_1={"actions":[{"tool":"weather_tool","input":{"city":"北京"}},{"tool":"calculator_tool","input":{"expression":"(25+18)/2"}}]}# 4. 你的代码执行这些Toolsweather_result="北京今天晴，气温25°C"# 真实API调用结果calc_result="21.5"# 真实计算结果# 5. 关键步骤：把结果喂回给大模型，让它重新组织final_prompt=f""" 用户问题：{user_question}你已经获取了以下信息：1. 天气查询结果：{weather_result}2. 计算结果：{calc_result}请根据以上信息，组织一个完整的回答给用户。"""# 6. 大模型生成最终回答final_answer="根据查询，北京今天天气晴朗，温度25°C。另外，(25+18)/2的计算结果是21.5。"

使用 langchain 的 agent 可以自动实现第五步

初期不使用 agent 直接使用大模型调用，只会在响应中返回要调用的大模型
如果使用 agent 则会直接返回调用结果给 agent，让 agent 重新组织回答

用户:"北京天气？计算(25+18)/2"↓ Agent思考:"需要weather_tool和calculator_tool"↓ 执行: weather_tool("北京")→"25°C"执行: calculator_tool("(25+18)/2")→"21.5"↓ Agent自动重新思考:"我有结果了，组织回答"↓ 最终回答:"北京25°C，(25+18)/2=21.5"

创建 tools 的三种方式

方式 1：不使用注解，纯手动创建

# 第一种类型：手动定义tools# 定义工具函数defcalculate_expression(expression:str)->str:"""计算数学表达式"""try:result=eval(expression)# 注意：实际生产环境要用更安全的方法returnf"结果:{result}"exceptExceptionase:returnf"计算错误:{e}"# 包装成Toolcalculator_tool=Tool(name="calculator",# 工具名称func=calculate_expression,# 工具函数description="用于计算数学表达式，例如: '2+3*4' 或 '(5+3)/2'"# 工具描述)

方式 2：使用装饰器的注解@tools方式

# 第二种类型：使用装饰器注解(方法的注释就是工具描述)@tooldefweather_check(city:str)->str:"""查询城市天气"""weather_data={"北京":"晴，18°C","上海":"多云，22°C","广州":"小雨，25°C","深圳":"阴，26°C"}ifcityinweather_data:returnf"{city}天气:{weather_data[city]}"else:returnf"未找到{city}的天气信息"

方式 3：使用StructuredTool

classTranslationInput(BaseModel):text:str=Field(description="要翻译的文本")target_language:str=Field(description="目标语言")deftranslate_text(text:str,target_language:str)->str:"""翻译文本到目标语言"""translations={"英语":{"你好":"Hello","谢谢":"Thank you"},"日语":{"你好":"こんにちは","谢谢":"ありがとう"}}iftarget_languageintranslations:iftextintranslations[target_language]:returnf"翻译结果:{translations[target_language][text]}"else:returnf"未找到'{text}'的翻译"returnf"不支持{target_language}翻译"translate_tool=StructuredTool.from_function(func=translate_text,name="translate_text",description="翻译文本到目标语言",args_schema=TranslationInput,)

示例代码

注意，直接使用大模型不使用 agent 调用，大模型只返回要调用的方法，不会获取结果后重新返回

defdemo_agent_usage():"""演示如何将工具集成到Agent中"""print("="*60)print("工具调用演示")print("="*60)# 创建工具列表tools=[calculator_tool,weather_check,translate_tool]# 绑定工具列表llm_with_tools=llm.bind_tools(tools)# 测试问题（可以修改这里测试不同场景）test_questions=["这个表达式的结果是多少？ 2+3*4=","北京天气怎么样？","把'你好'翻译成日语","先计算(10+5)/3，然后告诉我上海天气"]forquestionintest_questions:print(f"\n📝 用户问题:{question}")print("-"*40)# 调用大模型response=llm_with_tools.invoke([HumanMessage(content=question)])# 1. 先打印模型返回的原始消息print(f"💬 模型回答:{response.content}")# 2. 检查是否有工具调用ifhasattr(response,'tool_calls')andresponse.tool_calls:print(f"\n🔧 检测到工具调用 ({len(response.tool_calls)}个):")fori,tool_callinenumerate(response.tool_calls,1):# 打印工具调用信息print(f"\n [{i}] 工具调用详情:")print(f" 工具名称:{tool_call['name']}")print(f" 工具参数:{json.dumps(tool_call['args'],ensure_ascii=False,indent=8)}")# 找到对应的工具对象tool_obj=Nonefortoolintools:iftool.name==tool_call['name']:tool_obj=toolbreakiftool_obj:try:# 执行工具print(f" 🚀 执行工具 '{tool_call['name']}'...")tool_response=tool_obj.invoke(tool_call['args'])print(f" ✅ 执行结果:{tool_response}")exceptExceptionase:print(f" ❌ 执行失败:{e}")else:print(f" ⚠️ 未找到工具:{tool_call['name']}")else:print("\n📭 没有工具调用")