什么是LangChain工具？
在LangChain框架中，工具（Tools）是让大语言模型（LLM）能够与外部系统、API或函数进行交互的核心组件。通过工具，LLM可以执行计算、查询数据、调用外部服务等操作，从而突破纯文本生成的限制，实现更强大的功能。
2.1 创建工具
2.1.1 使用@tool装饰器创建工具
@tool装饰器是LangChain中创建工具的最简单方法。它通过装饰Python函数来定义工具，自动从函数名、类型提示和文档字符串中提取工具的相关属性。
from langchain_core.tools import tool @tool def multiply(a: int, b: int) -> int: """Multiply two integers. Args: a: First integer b: Second integer """ return a * b print(multiply.invoke({"a": 2, "b": 3})) # 输出：6 print(multiply.name) # 输出：multiply print(multiply.description) # 输出：Multiply two integers... print(multiply.args) # 输出：{'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}关键特性：
默认使用函数名称作为工具名称
使用函数的文档字符串作为工具描述
函数名、类型提示和文档字符串都是传递给工具Schema的重要组成部分
什么是Schema？
Schema是描述数据结构的声明格式，用于自动验证数据。在JSON Schema中，我们定义数据的类型、字段、格式等约束条件。
示例对比：
// 示例1：简单结构 { "name": "张小红", "birthday": "1732年2月22日", "address": "陕西省西安市雁塔区" } // 示例2：结构化结构 { "surname": "王", "given_name": "刚", "birthday": "1732-02-22", "address": { "district": "萧山区", "city": "杭州市", "province": "浙江省", "country": "中国" } }对应的JSON Schema：
{ "type": "object", "properties": { "surname": { "type": "string" }, "given_name": { "type": "string" }, "birthday": { "type": "string", "format": "date" }, "address": { "type": "object", "properties": { "district": { "type": "string" }, "city": { "type": "string" }, "province": { "type": "string" }, "country": { "type": "string" } } } } }Google风格文档字符串：
Google风格是Python文档字符串的一种写作规范，使用Args:、Returns:等关键字，参数描述简洁明了：
def fetch_data(url, retries=3): """从给定的URL获取数据。 Args: url (str): 要从中获取数据的URL。 retries (int, optional): 失败时重试的次数。默认为3。 Returns: dict: 从URL解析的JSON响应。 """ # 函数实现2.1.1.1 模式1：依赖Pydantic类
当函数没有提供文档字符串时，可以使用Pydantic类来定义工具Schema：
from langchain_core.tools import tool from pydantic import BaseModel, Field class AddInput(BaseModel): """Add two integers.""" a: int = Field(..., description="First integer") b: int = Field(..., description="Second integer") class MultiplyInput(BaseModel): """Multiply two integers.""" a: int = Field(..., description="First integer") b: int = Field(..., description="Second integer") @tool(args_schema=AddInput) def add(a: int, b: int) -> int: # 未提供描述 return a + b @tool(args_schema=MultiplyInput) def multiply(a: int, b: int) -> int: # 未提供描述 return a * b注意： 除非提供默认值，否则所有字段都是required。
2.1.1.2 模式2：依赖Annotated
使用Annotated和文档字符串传递工具Schema：
from langchain_core.tools import tool from typing_extensions import Annotated @tool def add( a: Annotated[int, ..., "First integer"], b: Annotated[int, ..., "Second integer"] ) -> int: """Add two integers.""" return a + b @tool def multiply( a: Annotated[int, ..., "First integer"], b: Annotated[int, ..., "Second integer"] ) -> int: """Multiply two integers.""" return a * b2.1.2 使用StructuredTool类创建工具
StructuredTool.from_function类方法通过给定的函数来创建并返回一个工具：
from langchain_core.tools import StructuredTool def multiply(a: int, b: int) -> int: """Multiply two numbers.""" return a * b calculator_tool = StructuredTool.from_function(func=multiply) print(calculator_tool.invoke({"a": 2, "b": 3})) # 输出：6关键参数说明：
func：要设置的函数name：工具名称，默认为函数名称description：工具描述，默认为函数文档字符串args_schema：工具输入参数的schemaresponse_format：工具响应格式，默认为"content"
2.1.2.2 加入配置，依赖Pydantic类
from langchain_core.tools import StructuredTool from pydantic import BaseModel, Field class CalculatorInput(BaseModel): a: int = Field(description="first number") b: int = Field(description="second number") def multiply(a: int, b: int) -> int: return a * b calculator_tool = StructuredTool.from_function( func=multiply, name="Calculator", description="两数相乘", args_schema=CalculatorInput, ) print(calculator_tool.invoke({"a": 2, "b": 3})) # 输出：6 print(calculator_tool.name) # 输出：Calculator print(calculator_tool.description) # 输出：两数相乘 print(calculator_tool.args) # 输出：{'a': {'description': 'first number', 'title': 'A', 'type': 'integer'}, 'b': {'description': 'second number', 'title': 'B', 'type': 'integer'}}2.1.2.3 加入response_format配置
当需要区分消息内容（content）和其他工件（artifact）时，可以使用response_format="content_and_artifact"：
from langchain_core.tools import StructuredTool from pydantic import BaseModel, Field from typing import List, Tuple class CalculatorInput(BaseModel): a: int = Field(description="first number") b: int = Field(description="second number") def multiply(a: int, b: int) -> Tuple[str, List[int]]: nums = [a, b] content = f"{nums}相乘的结果是{a * b}" return content, nums calculator_tool = StructuredTool.from_function( func=multiply, name="Calculator", description="两数相乘", args_schema=CalculatorInput, response_format="content_and_artifact" ) # 直接调用工具，只返回content print(calculator_tool.invoke({"a": 2, "b": 3})) # 输出：[2, 3]相乘的结果是6 # 模拟大模型调用，返回ToolMessage print(calculator_tool.invoke({ "name": "Calculator", "args": {"a": 2, "b": 3}, "id": "123", # 必须，工具调用标识符 "type": "tool_call", # 必须 }))输出结果：
content='[2, 3]相乘的结果是6' name='Calculator' tool_call_id='123' artifact=[2, 3]artifact的作用：
保存原始结构化数据，供链中后续组件使用
不适合直接塞给大模型
可用于日志记录、数据分析、自定义处理等场景
2.2 绑定工具
使用聊天模型的.bind_tools()方法将工具绑定到模型：
from langchain_openai import ChatOpenAI # 定义大模型 model = ChatOpenAI(model="gpt-4o-mini") # 绑定工具，返回一个Runnable实例 tools = [add, multiply] model_with_tools = model.bind_tools(tools)bind_tools()方法参数：
tools：绑定的工具定义列表tool_choice：要求模型调用哪个工具'<<tool_name>>'：调用指定工具'auto'：自动选择工具'none'：不调用工具'any'或'required'或True：强制调用至少一个工具
strict：是否严格验证输入输出parallel_tool_calls：是否允许并行工具调用
2.3 工具调用
使用绑定的Runnable实例调用.invoke()方法完成工具调用：
from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage from langchain_core.tools import tool from typing_extensions import Annotated # 定义大模型 model = ChatOpenAI(model="gpt-4o-mini") @tool def add( a: Annotated[int, ..., "First integer"], b: Annotated[int, ..., "Second integer"] ) -> int: """Add two integers.""" return a + b @tool def multiply( a: Annotated[int, ..., "First integer"], b: Annotated[int, ..., "Second integer"] ) -> int: """Multiply two integers.""" return a * b # 绑定工具 tools = [add, multiply] model_with_tools = model.bind_tools(tools) # 调用工具 result = model_with_tools.invoke("9乘6等于多少？") print(result)输出结果（AIMessage）：
content='' additional_kwargs={'tool_calls': [{'id': 'call_mBnxNMY7vfAOrExEETcdEC6l', 'function': {'arguments': '{"a":9,"b":6}', 'name': 'multiply'}, 'type': 'function'}], 'refusal': None} response_metadata={'token_usage': {'completion_tokens': 17, 'prompt_tokens': 86, 'total_tokens': 103, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-4o-mini-2024-07-18', 'system_fingerprint': 'fp_560af6e559', 'id': 'chatcmpl-C6DSvbskJtwUl6YTkPILUaiDdDuEN', 'service_tier': 'default', 'finish_reason': 'tool_calls', 'logprobs': None} id='run--1f43e942-d56b-4d6d-8d3f-145b7e5d0036-0' tool_calls=[{'name': 'multiply', 'args': {'a': 9, 'b': 6}, 'id': 'call_mBnxNMY7vfAOrExEETcdEC6l', 'type': 'tool_call'}] usage_metadata={'input_tokens': 86, 'output_tokens': 17, 'total_tokens': 103, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}}关键输出字段：
content：消息内容additional_kwargs：工具调用信息tool_calls：工具调用详情（名称、参数、ID）finish_reason：完成原因（tool_calls表示调用了工具）
2.4 强制模型调用工具
通过设置tool_choice="any"强制模型调用至少一个工具：
model_with_tools = model.bind_tools(tools, tool_choice="any") result = model_with_tools.invoke("hello world!") print(result)2.5 工具属性
如果调用了工具，result将具有tool_calls属性：
model_with_tools = model.bind_tools(tools, tool_choice="any") result = model_with_tools.invoke("9乘6等于多少？") print(result.tool_calls)输出结果：
[{'name': 'multiply', 'args': {'a': 9, 'b': 6}, 'id': 'call_csFbMmYD4Dmz8yMja3ZWK1QW', 'type': 'tool_call'}]总结
LangChain的工具系统提供了灵活的方式来扩展大语言模型的能力。通过@tool装饰器、StructuredTool类以及Pydantic模型，我们可以轻松定义各种工具，并将其绑定到聊天模型中。工具调用机制使得LLM能够与外部系统交互，实现更复杂的应用场景。
核心要点：
工具定义需要函数名、类型提示和文档字符串
可以使用Pydantic类或Annotated来定义Schema
通过
bind_tools()方法将工具绑定到模型工具调用返回AIMessage，包含工具调用信息
可以强制模型调用工具或让模型自动选择
掌握这些工具调用技术，将为构建更强大的AI应用奠定坚实基础。
