当前位置：首页 > news >正文

LangChain 实践3 5无Function Call的结构化通用Agent 6Function Call 智能工具助手

news 2026/5/28 9:10:02

项目5 无Function Call的结构化通用Agent

知识点：结构化Agent、Prompt工程、不支持Function Call模型适配、自定义工具

功能

自己写 Prompt 约束格式：Action:xxx Action Input:xxx
不用模型原生Function Call，纯提示词实现工具调用
接入：计算器、时间查询、本地文档检索工具

落地：结构化Agent不靠模型，靠Prompt实现Agent。

项目拆解

核心定位：纯 Prompt 工程实现 Agent 工具调用，零模型原生函数调用能力。

阶段一：项目基础协议定义（前置基建，无代码）
- 步骤 1：定义 Agent 结构化交互协议（项目核心标准）
- 实践：统一模型输出字段、工具调用格式、问答分支规则
- 配套理论：无 Function Call Agent 的结构化解析原理
阶段二：Prompt 工程实现（Agent 大脑规则层）
- 步骤 2：手写完整版结构化约束 System Prompt
- 实践：编写角色规则、工具清单、判断逻辑、正负样例、输出规约
- 配套理论：Prompt 工程如何替代原生 Function Call 能力
阶段三：代码基建（核心底座，Python）
- 步骤 3：搭建项目基础代码结构，初始化全局配置
- 实践：创建项目文件结构、导入依赖、定义全局常量
- 配套理论：模块化 Agent 工程的分层设计思想
阶段四：核心能力开发（工具层）
- 步骤 4：开发 3 个自定义原生工具
- 实践：逐一对接实现 calculator、time_query、doc_search 工具函数
- 配套理论：自定义工具的入参、出参标准化设计规范
阶段五：Agent 核心逻辑（解析 + 调度层）
- 步骤 5：开发文本格式解析器
- 实践：代码解析模型输出，提取 Thought / Action / Action Input
- 配套理论：结构化输出的正则匹配解析原理
- 步骤 6：开发工具路由调度器
- 实践：根据解析出的 Action 名称，自动分发执行对应工具
- 配套理论：Agent 工具调度的路由机制
阶段六：Agent 闭环能力（多轮迭代）
- 步骤 7：实现单轮 Agent 调用链路
- 实践：用户提问→模型推理→工具调用→结果返回
- 步骤 8：实现多轮 Agent 思考闭环
- 实践：工具结果回传模型，支持多次连续调用工具，直至问题解决
- 配套理论：Agent ReAct 思考迭代框架核心逻辑
阶段七：测试落地
- 步骤 9：全场景功能测试、异常兼容优化
- 实践：测试计算、时间、文档检索、无需工具直接回答、格式异常场景

本项目属于独立可复用的工具调度模块。
整体层级关系：

上层：大模型负责思考决策、输出规范格式文本
中层：咱们写的解析 + 调度逻辑，拆解指令、匹配工具
底层：计算器、文档查询这类具体功能函数

本项目承接模型指令，落地实际操作，是完整智能体里的执行环节。

1 项目基础协议

放弃模型原生函数调用接口，依靠约定文本格式做调用标识，程序端解析文本完成工具触发，实现等效 Agent 工具调用能力。

1.1 应答分支规则

无需调用工具：直接输出最终答案，不出现指定格式字段
需要调用工具：严格遵循固定三段式格式输出，字段顺序不可调换

1.2 标准输出格式

Thought:思考判断内容 Action:工具标识名 Action Input:工具传入参数

1.3 工具名册与使用规范

工具标识	功能用途	入参要求
calculator	数学运算计算	填写完整数学表达式
time_query	获取当前系统时间	无参数，填空即可
doc_search	本地文档关键词检索	填写检索关键词

1.4 格式约束细则

字段名称固定大小写、文字不可修改删减
思考内容简洁说明调用工具的原因
参数严格匹配对应工具格式，不额外附加多余描述

2 结构化约束 System Prompt

通过提示词强制约束模型输出范式、决策逻辑与工具使用规则，替代原生 Function Call 接口，让模型按约定格式产出可解析调用指令。

2.1 完整 Prompt 文案

你是结构化智能Agent，无法使用模型原生函数调用能力，仅按既定格式完成交互作答。 可用工具列表：1.calculator：执行数学运算，入参填写标准数学表达式2.time_query：查询当前系统时间，无需传入参数3.doc_search：检索本地文档内容，入参填写检索关键词 作答规则：1.简单问题无需调用工具，直接给出最终答案即可2.涉及计算、查时间、查文档的问题，必须严格按下方固定格式输出，不得增减内容、更改字段顺序 标准调用格式： Thought:简述调用工具的原因 Action:填写对应工具标识 Action Input:填写对应所需参数 参考示例： 示例1调用计算 Thought:需要计算数值结果，调用计算器工具 Action:calculator Action Input:12+36*2示例2查询时间 Thought:需要获取当前时间，调用时间查询工具 Action:time_query Action Input:示例3文档检索 Thought:需要查找相关文档信息，调用文档检索工具 Action:doc_search Action Input:项目开发规范

2.2 实操要点

文案明确区分直接作答、工具调用两种场景
绑定前期约定的工具名与入参规范，保证前后统一
附上实操样例，降低模型格式出错概率

3 项目基础代码结构

采用分层模块化架构，拆分规则、工具、解析、调度模块，降低耦合，便于后续迭代扩展。

3.1 规划目录文件结构

agent_project/├── main.py# 程序入口、对话主逻辑├── tools.py# 计算器/时间/文档检索工具函数└── parser.py# 模型输出格式解析逻辑

3.2 初始化各基础文件

本次基础功能无需额外第三方库，仅使用 Python 内置模块即可开发，无需额外安装包。

简单问题：文字释义、词语理解这类属于模型自身知识库内容，不属于原生函数调用，无需动用工具，直接作答即可。

内置知识库 vs 联网搜索边界总结

内置知识库（不触发 invoke，低消耗）
- 模型训练时录入的存量知识，本地直接推理作答适用：词语释义、常识典故、基础理论、历史固定内容、文本分析、常规问答
联网搜索 / 外部工具（触发 invoke，额外耗资源）
- 向外请求外部数据、实时内容、本地文件、运算服务适用：实时时间、最新资讯、动态数据、数学计算、文档查询、当下变动信息
核心分界
- 信息固定不变→用内置知识
- 信息实时可变 / 外部独有→走调用检索

4 自定义工具函数

工具单独封装成独立单元，统一输入输出形式，和调度逻辑拆分，改动互不影响。

4.1 明确文件与整体思路

操作文件：tools.py
整体规划：分别编写三个工具方法，最后用字典建立工具名和方法的对应关系

4.2 逐个梳理工具开发要点

计算器工具
- 接收参数：数学表达式字符串
- 核心逻辑：解析表达式算出结果
- 容错处理：捕获计算出错的情况，返回异常提示
时间查询工具
- 接收参数：无实际有效参数
- 核心逻辑：读取系统当前时间，规范日期时间展示格式
- 返回内容：格式化后的时间文本
本地文档检索工具
- 接收参数：检索关键词
- 核心逻辑：内置模拟文档数据，根据关键词匹配内容
- 判定分支：匹配到则返回对应内容，无匹配则给出未查询到提示

4.3 构建工具映射关系

定义映射容器，把之前约定的 action 标识名，一一对应绑定到各自工具方法，后续调度时直接通过名称就能调用对应功能。

# 工具映射表TOOL_MAP={"calculator":compute,"time_query":get_time,"doc_search":search_document}

5 文本格式解析器

拆分模型返回文本，提取 Thought、Action、Input 三段内容，为后续工具调度提供有效数据。

5.1 核心思路

按固定字段标识切割文本
分别取出思考内容、工具名、入参
校验字段完整性，异常则判定无需调用工具

5.2 关键操作要点

匹配Thought:、Action:、Action Input:前缀拆分内容
去除首尾多余空格换行，规整数据
解析成功返回三段数据，解析失败返回空标识

6 工具路由调度器

承接解析后的指令，匹配对应工具函数，完成调用并返回执行结果。

执行步骤

调用解析器，拆分出思考内容、工具标识、传入参数
判断工具标识是否为空，无调用指令则仅返回思考信息
检索工具映射表，校验当前工具是否合法可用
匹配到对应工具函数，传入参数执行运算查询
汇总思考过程与工具执行结果，统一对外输出

标准格式测试输入文本

Thought:查询项目相关说明 Action:doc_search Action Input:项目介绍

核心代码

fromparserimportparserfromtoolsimportTOOL_MAPif__name__=='__main__':test_input="""Thought: 查询项目相关说明 Action: doc_search Action Input: 项目介绍"""# 调用解析器，拆分出思考内容、工具标识、传入参数input_parser=parser(test_input)print(input_parser)res=''# 判断工具标识是否为空，无调用指令则仅返回思考信息ifinput_parser['action']=='':res+=f"thought:{input_parser['thought']}"else:# 检索工具映射表，校验当前工具是否合法可用ifinput_parser['action']notinTOOL_MAP:print('当前工具不可用')else:# 匹配到对应工具函数，传入参数执行运算查询tool=TOOL_MAP[input_parser['action']]# 汇总思考过程与工具执行结果，统一对外输出output=tool(input_parser['action_input'])res+=f"thought:{input_parser['thought']}\n output:{output}"print(res)

运行结果

{'thought':'查询项目相关说明','action':'doc_search','action_input':'项目介绍'}thought:查询项目相关说明 output:这是一个无FunctionCall的结构化Agent

7 单轮 Agent 调用链路

完整流转：用户提问 → 模型推理生成结构化指令 → 解析拆解指令 → 路由匹配工具执行 → 整合结果反馈。

执行步骤

定义接收用户问题的入口
编写模拟模型逻辑，依据问题内容，产出规范格式的思考、动作、参数文本
调用原有解析模块，拆分出思考内容、工具标识、入参
走工具调度逻辑，判断是否调用工具并执行
拼接信息，输出最终答复

核心代码

（先用 mock 模拟输出，现阶段只模拟推理结果格式，暂不接入真实大模型接口）

fromparserimportparserfromtoolsimportTOOL_MAPdefinvoke(input):print(input)# 编写模拟模型逻辑，依据问题内容，产出规范格式的思考、动作、参数文本ifinput.find("计算")!=-1:test_input="""Thought: 1+1结果是什么 Action: calculator Action Input: 1+1"""elifinput.find("查询")!=-1:test_input="""Thought: 查询项目相关说明 Action: doc_search Action Input: 项目介绍"""elifinput.find("时间")!=-1:test_input="""Thought: 现在是什么时间 Action: time_query Action Input: """returntest_inputif__name__=='__main__':# 定义接收用户问题的入口llm_output=invoke("现在是什么时间")# 调用解析器，拆分出思考内容、工具标识、传入参数input_parser=parser(llm_output)res=''# 判断工具标识是否为空，无调用指令则仅返回思考信息ifinput_parser['action']=='':res+=f"thought:{input_parser['thought']}"else:# 检索工具映射表，校验当前工具是否合法可用ifinput_parser['action']notinTOOL_MAP:print('当前工具不可用')else:# 匹配到对应工具函数，传入参数执行运算查询tool=TOOL_MAP[input_parser['action']]# 汇总思考过程与工具执行结果，统一对外输出output=tool(input_parser['action_input'])res+=f"thought:{input_parser['thought']}\n output:{output}"print(res)

8 ReAct 多轮思考闭环

8.1 ReAct

ReAct = Reason（推理思考）+ Act（行动调用工具）是 Agent 经典迭代框架，边思考边行动，循环往复解决问题。

8.2 核心运作流程

思考（Reason）
- 模型分析问题 + 已有信息，判断是否需要调用工具、用什么工具
- → 对应你代码里的 invoke 函数，生成结构化指令
行动（Act）
- 解析指令 → 匹配工具 → 执行函数 → 拿到结果
- → 对应你的 parser + 工具调度逻辑
复盘（反馈）
- 把工具执行结果回传给模型，让模型重新判断问题是否解决
循环（迭代）
- 未解决 → 继续思考 + 调用工具
- 已解决 → 停止循环，给出最终答案

核心规则

工具结果回传给模型，循环判断是否继续调用工具，直到问题办结。

8.3 实操分步思路

定义对话上下文变量
- 用来存放用户问题、每一轮的思考、工具执行结果，持续传给模型
用循环包裹单轮执行逻辑
- 让 Agent 可以自动重复：思考→行动→复盘，而不是只跑一次
每轮结束拼接上下文
- 把本轮的思考 + 工具结果追加到上下文里，给下一轮模型使用
模型根据上下文决策
- 读取历史信息，继续生成新指令，或判断任务完成
设置终止条件
- 当模型输出空工具（action 为空）时，结束循环，输出最终回答

流程图

8.4 核心代码

fromparserimportparserfromtoolsimportTOOL_MAPdefinvoke(input):print(input)# 编写模拟模型逻辑，依据问题内容，产出规范格式的思考、动作、参数文本ifinput.find("计算")!=-1:test_input="""Thought: 1+1结果是什么 Action: calculator Action Input: 1+1"""elifinput.find("查询")!=-1:test_input="""Thought: 查询项目相关说明 Action: doc_search Action Input: 项目介绍"""elifinput.find("时间")!=-1:test_input="""Thought: 现在是什么时间 Action: time_query Action Input: """else:test_input="""Thought: 问题已解决 Action: Action Input:"""returntest_inputif__name__=='__main__':# 对话上下文context={"user_query":"","history":[]}# 思考：义接收用户问题的入口llm_output=invoke("现在是什么时间")context['user_query']='现在是什么时间'whileTrue:# 调用解析器，拆分出思考内容、工具标识、传入参数input_parser=parser(llm_output)# 当 action 为空时退出循环ifinput_parser['action']=='':breakres=''# 检索工具映射表，校验当前工具是否合法可用ifinput_parser['action']notinTOOL_MAP:print('当前工具不可用')break# 跳出循环，结束Agentelse:# 行动：匹配到对应工具函数，传入参数执行运算查询tool=TOOL_MAP[input_parser['action']]# 汇总思考过程与工具执行结果，统一对外输出output=tool(input_parser['action_input'])res+=f"thought:{input_parser['thought']}\n output:{output}"context['history'].append(res)print('---')print(context)# 复盘# 拼接上下文：用户问题 + 历史结果context_str=f"用户问题：{context['user_query']}，历史结果：{str(context['history'])}"llm_output=invoke(context_str)

运行结果
（局部）

9 全场景测试 + 异常兼容优化

9.1 测试场景清单

常规计算：帮我计算 1+1
资料查询：帮我查询项目介绍
时间查询：现在是什么时间
无需工具闲聊：你好呀
无效工具请求：帮我查询天气

9.2 代码优化要点

问题抽取成变量，方便切换测试
增加异常捕获，规避执行报错
输出规整最终总结答复

9.3 验证标准

合法请求正常调用工具、循环迭代后自动收尾
无效工具、程序报错均可稳妥终止，不会死循环
各类意图场景都能按逻辑分支正确响应

项目6 Function Call 智能工具助手

项目核心功能

实现 3 个工具
- 查天气工具
- 查当前时间工具
- 简单知识库检索工具
自动调用工具
- 用户问问题 → 模型自己判断要不要调用工具、调用哪个、传什么参数
自定义解析器
- 自己写解析函数，控制 Agent 什么时候停止思考、停止调用工具
最后必须输出结构化 JSON
- 不管中间调用多少次工具，最终回答强制输出标准 JSON，不能随便说话

Function Call

核心本质就是大模型主动调用外部工具。

核心逻辑

模型本身知识有边界、没法实时数据、没法运算检索，就靠 Function Call 向外求助
模型不再只输出文本，而是生成规范的工具调用指令，包含工具名、入参
程序解析指令，执行对应工具拿到结果，再回传给模型
模型结合工具返回内容，继续推理或是给出最终答复
项目里的查天气、时间、知识库检索，全都是靠这套机制实现调度

开发步骤

阶段 1：环境准备 + 基础配置
- 安装必要依赖（langchain、langchain-openai 等）
- 配置大模型（GPT / 通义千问 / 文心一言都行）
阶段 2：编写 3 个自定义工具
- 写一个 “查天气” 工具（简单模拟返回）
- 写一个 “查当前时间” 工具
- 写一个 “知识库检索” 工具（模拟本地知识）
阶段 3：学习并使用 bind_tools
- 把工具绑定给大模型
- 理解 Function Call 原理：模型什么时候决定调用工具
阶段 4：搭建 AgentExecutor 执行器
- 搭建 Agent 核心运行流程
- 理解：用户提问 → 思考 → 调用工具 → 获取结果 → 再思考
阶段 5：编写自定义解析器
- 自己写 parse 函数
- 控制：什么时候停止调用工具、进入最终回答
阶段 6：强制输出 JSON 格式（Response 伪装）
- 让模型最后必须调用 Response 工具
- 输出固定结构 JSON，而不是自然语言
阶段 7：完整测试
- 测试各种问题：
  - 只需要查时间
  - 需要查天气
  - 需要查知识库
  - 混合问题
- 看 Agent 能不能自动调度工具 + 最后输出 JSON

1 环境准备 & 基础配置

先引入环境变量、模型、工具相关基础模块
读取密钥接口地址，实例化大模型，温度设 0 保证推理稳定

2 自定义工具

LangChain 自定义工具的固定规则

用 @tool 装饰器修饰一个函数
函数名 = 工具名
函数文档字符串（注释）= 给大模型看的工具说明（非常重要）
函数参数 = 工具需要的入参
函数返回值 = 工具执行结果

核心代码

fromdatetimeimportdatetimefromlangchain_core.toolsimporttool@tooldefget_current_time():returndatetime.now().strftime("%Y-%m-%d %H:%M:%S")@tooldefget_weather(city):returnf"{city}市 晴天，25℃"documents={"项目介绍":"这是一个无FunctionCall的结构化Agent","工具列表":"计算器、时间查询、文档检索","使用规则":"必须按指定格式输出调用指令"}@tooldefknowledge_base_search(query):ifqueryindocuments:returndocuments[query]else:return"未找到相关文档"

3 bind_tools

什么是 bind_tools

将自定义的工具 “告诉” 大模型让模型知道：这里有几个工具可以用

需要做的事情

把你定义的 3 个工具放进一个列表
用模型的 .bind_tools() 方法，把这个列表传进去
得到一个绑定了工具的新模型对象

规则

工具列表 = [工具 1, 工具 2, 工具 3]
直接调用 chat_model.bind_tools(工具列表)
赋值给一个新变量，比如 llm_with_tools

核心代码

tools=[get_current_time,get_weather,knowledge_base_search]chat_model_with_tools=chat_model.bind_tools(tools)

4 AgentExecutor 执行器

必须先创建一个 Agent：create_tool_calling_agent
- 绑定好工具的模型（chat_model_with_tools）
- 工具列表（tools）
- 一个 prompt 提示词模板（系统提示 + 用户输入）
创建 AgentExecutor —— Agent 的 “运行器”
- 第一步创建的 agent
- 工具列表tools
- 可以加：verbose=True 看思考过程（强烈建议开）
executor.invoke ()
- 传入用户问题，即可自动调用工具

核心代码

fromlangchain_classic.agentsimportcreate_tool_calling_agent,AgentExecutorfromlangchain_core.promptsimportChatPromptTemplate,MessagesPlaceholder chat_prompt_template=ChatPromptTemplate.from_messages([("system","你是工具助手，必须调用工具回答"),("user","{user_input}"),MessagesPlaceholder("agent_scratchpad")])agent=create_tool_calling_agent(chat_model_with_tools,tools,chat_prompt_template)executor=AgentExecutor(agent=agent,tools=tools,verbose=True)res=executor.invoke({"user_input":"南京天气如何"})print(res)

运行结果

5 自定义解析器

脱离默认 AgentExecutor 黑盒，手动解析工具调用、自主控制流程启停。

执行流程

步骤 1：梳理核心依赖与前置准备
- 现有资源：已绑定工具的模型、工具列表、提示词模板，直接复用。
- 核心对象：模型返回结果里的 tool_calls 字段，用来判断是否要调用工具。
步骤 2：实现工具匹配执行逻辑
- 定义一个独立函数，入参设计为工具名、工具参数。
- 遍历全局工具列表，根据工具名匹配对应工具。
- 匹配成功就执行工具并返回结果；匹配失败返回提示文本。
步骤 3：构造首轮对话上下文
- 用提示词模板组装请求内容，传入用户问题。
- agent_scratchpad 首轮传空列表，用来存放后续交互记录。
步骤 4：自定义解析 & 流程控制（核心）
- 调用模型得到响应结果。
- 判断响应是否存在 tool_calls：
  - 存在：提取工具名、入参，调用上面的工具执行函数拿到结果，手动终止本轮流程。
  - 不存在：直接取模型文本内容作为最终回答，流程结束。

自定义解析器的自定义体现在：自己判断工具、自己拆字段、自己找工具、自己控制终止

核心代码

defexecute_action(res):fortoolintools:iftool.name==res.tool_calls[0]['name']:res=tool.invoke(res.tool_calls[0]['args'])returnresreturn'未找到对应的工具，请重试'chain=chat_prompt_template|chat_model_with_tools res=chain.invoke({"user_input":"我在胡言乱语啊啊啊啊啊","agent_scratchpad":[]})print(res)ifres.tool_calls:res1=execute_action(res)print(res1)else:# 直接提取文本内容，作为最终回复，流程结束。print(res.content)

运行结果

正常情况

南京市 晴天，25℃

异常情况

content='哈哈，听起来你是在释放压力或者玩文字游戏呢！如果你有任何问题、需要帮助，或者只是想聊点什么，我都很乐意陪你～ 😄 \n要不要试试问点有趣的、实用的，或者来点脑洞大开的问题？'additional_kwargs={}response_metadata={'finish_reason':'stop','request_id':'c75a6e27-08dc-9e7b-8461-c769b09fd5b6','token_usage':{'input_tokens':258,'output_tokens':53,'total_tokens':311,'prompt_tokens_details':{'cached_tokens':0}}}id='lc_run--019e64d3-f637-7820-b912-8f95b0aeb04f'tool_calls=[]invalid_tool_calls=[]哈哈，听起来你是在释放压力或者玩文字游戏呢！如果你有任何问题、需要帮助，或者只是想聊点什么，我都很乐意陪你～ 😄 要不要试试问点有趣的、实用的，或者来点脑洞大开的问题？

6 强制结构化输出

本节主要内容为：约束模型输出格式 + 自定义解析 JSON 内容。

提示词修改为

chat_prompt_template=ChatPromptTemplate.from_messages([("system","你是工具助手，必须调用工具回答。只输出 JSON，不要说任何多余的话！。如果是纯文本信息，那么回复的内容有type（值为text)和content(值为回答的内容）\n""属性，如果是工具调用相关，那么是type(值为tool）和tool_name（要调用的工具名称）和 args（工具函数的入参）"),("user","{user_input}"),MessagesPlaceholder("agent_scratchpad")])

chat_model不再需要绑定tools。在上述提示词模板下，输出如下。

content='{"type": "tool", "tool_name": "get_weather", "args": {"city": "南京"}}'additional_kwargs={}response_metadata={'finish_reason':'stop','request_id':'7838f54d-ec09-9226-922e-961fc962beb1','token_usage':{'input_tokens':96,'output_tokens':23,'total_tokens':119,'prompt_tokens_details':{'cached_tokens':0}}}id='lc_run--019e64e6-1126-7210-8933-0a5d91a01577'tool_calls=[]invalid_tool_calls=[]

对输出进行解析，修改解析器

defexecute_action(res):fortoolintools:iftool.name==res['tool_name']:res=tool.invoke(res['args'])returnresreturn'未找到对应的工具，请重试'chain=chat_prompt_template|chat_model res=chain.invoke({"user_input":"南京天气如何","agent_scratchpad":[]})print(res)content=json.loads(res.content)ifcontent['type']=='tool':res1=execute_action(content)print(res1)else:# 直接提取文本内容，作为最终回复，流程结束。print(content)