LangChain LCEL 工具调用实战：从确定性链到动态 Agent

1. 引言

大型语言模型 (LLM) 的真正威力在于连接外部世界。在 LangChain 中，“Tool Calling”（工具调用）是将 LLM 与 API、数据库或自定义函数连接的核心机制。

然而，并不是所有的工具调用都需要复杂的 Agent。根据业务场景的确定性 (Determinism)，我们可以将其分为三种整合范式：

1. 确定性显式调用 (Explicit Chain)：业务流程固定，无需 LLM 决策。
2. 半动态绑定 (Bind Tools)：由 LLM 决定是否调用及参数，但流程是线性的。
3. 高度动态 Agent：需要多步推理、循环和自我纠错。

本文将结合实战代码，详细解析前两种 LCEL 原生模式，并简要介绍第三种进阶方案。

2. 模式一：确定性显式调用 (Deterministic Explicit Chain)

适用场景

当您的业务逻辑非常固定，必须先执行某个动作才能生成回答时。例如：

• 用户进入理财页面，系统必须先查询当前汇率，再生成建议。
• 用户请求生成日报，系统必须先从数据库拉取昨日数据。

在这种场景下，不需要LLM 去思考“我要不要查数据”，我们通过代码强制它查。

核心技术

• RunnableLambda: 将工具函数包装为链的一部分。
• RunnablePassthrough: 数据流透传与注入。

实战代码解析 (src/examples/chains/demo_explicit_tool.py)

在这个示例中，我们构建了一个“理财顾问”。无论用户问什么，系统都会先强制调用get_exchange_rate。

# 1. 定义工具函数 (普通 Python 函数)defget_exchange_rate(inputs:dict)->str:# ... 实际 API 调用 ...return"1 USD = 158.17 JPY"# 2. 构建显式链路# 关键点：使用 RunnablePassthrough.assign 强制执行工具# 这发生在 Prompt 之前，LLM 根本不知道这个过程chain=(RunnablePassthrough.assign(rate=RunnableLambda(get_exchange_rate))|prompt|llm|StrOutputParser())# 3. Prompt 模板# 直接使用 {rate} 变量，就像它是用户输入的一部分一样prompt=PromptTemplate.from_template("Current exchange rate is: {rate}. Give me financial advice.")

优势：

• 极致稳定：工具调用绝对不会失败或被跳过。
• 低延迟：省去了 LLM 进行意图识别的步骤。
• 零 Token 消耗：路由逻辑由代码控制，不消耗 LLM Token。

3. 模式二：半动态绑定 (Semi-dynamic Bind Tools)

适用场景

当用户的意图不确定，或者需要从自然语言中提取参数时。例如：

• 用户问“查汇率”，需要调工具。
• 用户问“讲个笑话”，不需要调工具。
• 用户问“100美元换多少人民币”，需要提取USD和CNY。

这种场景下，我们需要利用 LLM 的推理能力来进行路由和参数提取。

核心技术

• @tool: 定义工具 Schema。
• llm.bind_tools(): 将工具描述注入 LLM。
• JsonOutputToolsParser: 解析 LLM 的结构化输出。

实战代码解析 (src/examples/chains/demo_tool_chain.py)

在这个示例中，我们将汇率查询功能“教”给了 LLM，让它自己决定什么时候用。

# 1. 定义工具 (带类型提示和文档)@tooldefget_exchange_rate(base_currency:str,target_currency:str)->str:"""Get the LIVE exchange rate between two currencies..."""# ...# 2. 绑定工具# 这赋予了 LLM 使用该工具的能力llm_with_tools=llm.bind_tools([get_exchange_rate])# 3. 构建自动解析链路# JsonOutputToolsParser 会自动提取工具调用请求，返回 List[Dict]chain=prompt|llm_with_tools|JsonOutputToolsParser()# 4. 执行与自动执行# 当用户问 "How much is 100 USD in CNY?"# Chain 输出: [{'type': 'get_exchange_rate', 'args': {'base_currency': 'USD', 'target_currency': 'CNY'}}]

关键点：

• 如果是简单的意图，我们可以像上面那样只运行到 Parser。
• 如果想实现“自动执行”，我们可以在 Chain 末尾接一个RunnableLambda(execute_tools)，这就构成了一个完整的Tool Chain。

优势：

• 灵活：能够处理多变的自然语言输入。
• 智能：利用 LLM 强大的参数提取能力，比正则表达式强大得多。

4. 模式三：高度动态 Agent (进阶)

为什么前两种还不够？

前两种模式都是单向的（DAG）。

• 模式一：Code -> LLM
• 模式二：LLM -> Code -> (End)

如果工具执行报错了怎么办？如果查到的汇率需要进一步计算怎么办？
这就需要Loop (循环)：
LLM -> Tool -> Result -> LLM (思考) -> Tool (重试/下一步) -> ...

这就是Agent的定义。

核心技术：LangGraph

在 LangChain 生态中，构建这种包含循环的 Agent 的最佳实践是使用LangGraph。它允许定义有环图（Cyclic Graph），完美模拟 Agent 的思考-行动循环。

虽然bind_tools是 Agent 的基石，但要实现完整的 Agent，我们需要将其放入 LangGraph 的StateGraph中进行编排。

5. 总结与选型指南

建议：始终从最简单的模式开始。如果模式一能解决问题，不要用模式二；如果模式二够用，不要上 Agent。