第06章：LangChain使用之Tools

1、Tools概述

1.1 介绍

要构建更强大的AI工程应用，只有生成文本这样的“ 纸上谈兵 ”能力自然是不够的。工具Tools不仅仅是“肢体”的延伸，更是为“大脑”插上了想象力的“翅膀”。借助工具，才能让AI应用的能力真正具备无限的可能，才能从“ 认识世界 ”走向“ 改变世界 ”

Tools 用于扩展大语言模型（LLM）的能力，使其能够与外部系统、API 或自定义函数交互，从而完成仅靠文本生成无法实现的任务（如搜索、计算、数据库查询等）。

特点：

• 增强 LLM 的功能 ：让 LLM 突破纯文本生成的限制，执行实际操作（如调用搜索引擎、查询数据库、运行代码等）

• 支持智能决策 ：在Agent 工作流中，LLM 根据用户输入动态选择最合适的 Tool 完成任务。

• 模块化设计 ：每个 Tool 专注一个功能，便于复用和组合（例如：搜索工具+^ ++计算工具+^ ++天气查询工具）

• LangChain 拥有大量第三方工具。请访问工具集成查看可用工具列表。

https://python.langchain.com/v0.2/docs/integrations/tools/

1.2 Tool 的要素

Tools 本质上是封装了特定功能的可调用模块，是Agent、Chain或LLM可以用来与世界互动的接口。

Tool 通常包含如下几个要素：

• name ：工具的名称

• description ：工具的功能描述

• 该工具输入的 JSON模式

• 要调用的函数

• return_direct ：是否应将工具结果直接返回给用户（仅对Agent相关）

实操步骤：

• 步骤1：将name、description 和 JSON模式作为上下文提供给LLM

• 步骤2：LLM会根据提示词推断出 需要调用哪些工具 ，并提供具体的调用参数信息

• 步骤3：用户需要根据返回的工具调用信息，自行触发相关工具的回调

注意：

如果⼯具具有 精心选择 的名称、描述和JSON模式，则模型的性能将更好。

下⼀章内容我们可以看到⼯具的调⽤动作可以通过Agent⾃主接管。

2、自定义工具

2.1 两种自定义方式

第1种：使用@tool装饰器（自定义工具的最简单方式）

装饰器默认使用函数名称作为工具名称，但可以通过参数 name_or_callable 来覆盖此设置。

同时，装饰器将使用函数的 文档字符串 作为 工具的描述 ，因此函数必须提供文档字符串。

第2种：使用StructuredTool.from_function类方法

这类似于 @tool 装饰器，但允许更多配置和同步/异步实现的规范。

2.2 几个常用属性

Tool由几个常用属性组成：

2.3 具体实现

方式1：@tool 装饰器

举例1：

fromlangchain_core.toolsimporttool@tool(name_or_callable="add_two_number",description="add two numbers",return_direct=True)defadd_number(a:int,b:int)->int:"""计算两个整数的和"""returna+bprint(f"name ={add_number.name}")#add_two_numberprint(f"args ={add_number.args}")print(f"description ={add_number.description}")#add two numbersprint(f"return_direct ={add_number.return_direct}")#Truename=add_two_number args={'a':{'title':'A','type':'integer'},'b':{'title':'B','type':'integer'}}description=add two numbers return_direct=True

说明： return_direct参数 的默认值是False。当return_directΘ=\mathit { \Theta } =Θ=False时，工具执行结果会返回给Agent，让Agent决定下一步操作；而return_direc:=: =:=True则会中断这个循环，直接结束流程，返回结果给用户。

举例2：通过@tool的参数设置进行重置

frompydanticimportFieldfromlangchain_core.toolsimporttoolfrompydanticimportBaseModelclassFieldInfo(BaseModel):a:int=Field(description="第1个整型参数")b:int=Field(description="第2个整型参数")@tool(name_or_callable="add_two_number",description="add two numbers",return_direct=True,args_schema=FieldInfo)defadd_number(a:int,b:int)->int:"""计算两个整数的和"""returna+bprint(f"name ={add_number.name}")#add_two_numberprint(f"args ={add_number.args}")print(f"description ={add_number.description}")#add two numbersprint(f"return_direct ={add_number.return_direct}")#Truename=add_two_number args={'a':{'title':'A','type':'integer'},'b':{'title':'B','type':'integer'}}description=add two numbers return_direct=True

方式2：StructuredTool的from_function()

StructuredTool.from_function 类方法提供了比 @tool 装饰器更多的可配置性，而无需太多额外的代码。

举例1：

fromlangchain_core.tools.structuredimportStructuredTool# 声明一个函数defsearch_google(query:str):return"最后查询的结果"# 定义一个工具search01=StructuredTool.from_function(func=search_google,name="Search",description="查询google搜索引擎，并将结果返回")print(f"name ={search01.name}")print(f"args ={search01.args}")print(f"description ={search01.description}")print(f"return_direct ={search01.return_direct}")name=Search args={'query':{'title':'Query','type':'string'}}description=查询google搜索引擎，并将结果返回 return_direct=False

举例2：

fromlangchain_core.tools.structuredimportStructuredToolfrompydanticimportBaseModel,FieldclassFieldInfo(BaseModel):query:str=Field(description="要检索的关键词")# 声明一个函数defsearch_google(query:str):return"最后查询的结果"# 定义一个工具search02=StructuredTool.from_function(func=search_google,name="Search",description="查询google搜索引擎，并将结果返回",return_direct=True,args_schema=FieldInfo)print(f"name ={search02.name}")print(f"args ={search02.args}")print(f"description ={search02.description}")print(f"return_direct ={search02.return_direct}")

name=Search description=usefulforwhen you need to answer questions about current events args={'query':['description':'要检索的关键词','title':'Query','type':'string']}return_direct=True'LangChain'

2.4 工具调用举例

我们通过大模型分析用户需求，判断是否需要调用指定工具。

举例1：大模型分析调用工具

# 1、获取大模型#导入相关依赖fromlangchain_community.toolsimportMoveFileToolfromlangchain_core.messagesimportHumanMessagefromlangchain_core.toolsimportStructuredToolfromlangchain_core.utils.function_callingimportconvert_to_openai_functionimportosimportdotenvfromlangchain_openaiimportChatOpenAI dotenv.load_dotenv()os.environ['OPENAI_API_KEY']=os.getenv("OPENAI_API_KEY1")os.environ['OPENAI_BASE_URL']=os.getenv("OPENAI_BASE_URL")# 定义LLM模型chat_model=ChatOpenAI(model="gpt-4o-mini",temperature=0)# 2、获取工具的列表tools=[MoveFileTool()]# 3、因为大模型invoke调用时，需要传入函数的列表，所以需要将工具转换为函数:convert_to_openai_function()functions=[convert_to_openai_function(t)fortintools]# 4、获取消息列表messages=[HumanMessage(content="将文件a移动到桌面")]# 5、调用大模型（传入消息列表、工具的列表）response=chat_model.invoke(input=messages,# tools = tools, #不支持functions=functions,)print(response)

# 获取消息列表messages=[HumanMessage(content="查询一下明天北京的天气")]# 调用大模型（传入消息列表、工具的列表）response=chat_model.invoke(input=messages,# tools = tools, #不支持functions=functions,)print(response)