LangChain实战快速入门笔记（五）--LangChain使用之Tools

LangChain实战快速入门笔记（五）–LangChain使用之Tools

一、Tools概述

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/

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。

二、自定义工具

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. 几个常用属性

Tool由几个常用属性组成：

3. 具体实现

方式1：@tool 装饰器

举例1：

fromlangchain.toolsimporttool@tooldefadd_number(a:int,b:int)->int:"""两个整数相加"""returna+bprint(f'name ={add_number.name}')print(f'args ={add_number.args}')print(f'description ={add_number.description}')print(f'return_direct ={add_number.return_direct}')res=add_number.invoke({"a":10,"b":20})print(res)

说明：return_direct参数的默认值是False。当return_direct=False时，工具执行结果会返回给Agent，让Agent决定下一步操作；而return_direct=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

fromlangchain.toolsimporttool@tool(name_or_callable="add_two_number",description="two number add",return_direct=True)defadd_number(a:int,b:int)->int:"""两个整数相加"""returna+bprint(f'name ={add_number.name}')print(f'description ={add_number.description}')print(f'args ={add_number.args}')print(f'return_direct ={add_number.return_direct}')res=add_number.invoke({"a":10,"b":20})print(res)

补充：还可以修改参数的说明

fromlangchain.toolsimporttoolfrompydanticimportBaseModel,FieldclassFieldInfo(BaseModel):a:int=Field(description="第1个参数")b:int=Field(description="第2个参数")@tool(name_or_callable="add_two_number",description="two number add",args_schema=FieldInfo,return_direct=True)defadd_number(a:int,b:int)->int:"""两个整数相加"""returna+bprint(f'name ={add_number.name}')print(f'description ={add_number.description}')print(f'args ={add_number.args}')print(f'return_direct ={add_number.return_direct}')res=add_number.invoke({"a":10,"b":20})print(res)

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.toolsimportStructuredTooldefsearch_function(query:str):return"LangChain"search1=StructuredTool.from_function(func=search_function,name="Search",description="useful for when you need to answer questions about current events")print(f'name ={search1.name}')print(f'description ={search1.description}')print(f'args ={search1.args}')search1.invoke("hello")

举例2：

fromlangchain_core.toolsimportStructuredToolfrompydanticimportField,BaseModelclassFieldInfo(BaseModel):query:str=Field(description="要检索的关键词")defsearch_function(query:str):return"LangChain"search1=StructuredTool.from_function(func=search_function,name="Search",description="useful for when you need to answer questions about current events",args_schema=FieldInfo,return_direct=True,)print(f'name ={search1.name}')print(f'description ={search1.description}')print(f'args ={search1.args}')print(f'return_direct ={search1.return_direct}')search1.invoke("hello")

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.导入相关依赖fromlangchain_community.toolsimportMoveFileToolfromlangchain_core.messagesimportHumanMessagefromlangchain_core.utils.function_callingimportconvert_to_openai_functionimportosimportdotenvfromlangchain_openaiimportChatOpenAI dotenv.load_dotenv()os.environ["OPENAI_API_KEY"]=os.getenv("OPENAI_API_KEY")os.environ["OPENAI_BASE_URL"]=os.getenv("OPENAI_BASE_URL")#2.定义LLM模型chat_model=ChatOpenAI(model="gpt-4o-mini",temperature=0)#3.定义工具tools=[MoveFileTool()]#4.这里需要将工具转换为openai函数，后续再将函数传入模型调用functions=[convert_to_openai_function(t)fortintools]#print(functions[0])#5.提供大模型调用的消息列表messages=[HumanMessage(content="将文件a移动到桌面")]#6.模型使用函数response=chat_model.invoke(input=messages,functions=functions)print(response)

模型绑定工具，调用模型，传入Message对象。

作为对照，修改代码：

response=chat_model.invoke([HumanMessage(content="今天的天气怎么样？")],functions=functions)print(response)

调用工具说明

两种情况：

情况1：大模型决定调用工具

如果模型认为需要调用工具（如MoveFileTool），返回的message会包含：
• content : 通常为空（因为模型选择调用工具，而非生成自然语言回复）。
• additional_kwargs : 包含工具调用的详细信息：

AIMessage(content="",# 无自然语言回复additional_kwargs={'function_call':{'name':'move_file',# 工具名称'arguments':'{"source_path": "a", "destination_path": "/Users/YourUsername/Desktop/a"}'# 工具参数}})

情况2：大模型不调用工具

如果模型认为无需调用工具（例如用户输入与工具无关），返回的message会是普通文本回复：

AIMessage(content="我没有找到需要移动的文件。",# 自然语言回复additional_kwargs={"refusal":None}# 无工具调用)

举例2：确定工具并调用

# 定义LLM模型chat_model=ChatOpenAI(model="gpt-4o-mini",temperature=0)# 定义工具tools=[MoveFileTool()]# 将工具转换为openai函数functions=[convert_to_openai_function(t)fortintools]# 提供消息列表messages=[HumanMessage(content="将本目录下的abc.txt文件移动到C:\\Users\\shkst\\Desktop")]# 模型调用response=chat_model.invoke(input=messages,functions=functions)print(response)

(1) 检查是否需要调用工具

importjsonif"function_call"inresponse.additional_kwargs:tool_name=response.additional_kwargs["function_call"]["name"]tool_args=json.loads(message.additional_kwargs["function_call"]["arguments"])print(f"调用工具:{tool_name}, 参数:{tool_args}")else:print("模型回复: ",response.content)

(2) 实际执行工具调用

fromlangchain.toolsimportMoveFileToolif"move_file"inresponse.additional_kwargs["function_call"]["name"]:tool=MoveFileTool()result=tool.run(tool_args)# 执行工具print("工具执行结果: ",result)

大模型与 Agent 的核心区别：是否涉及到工具的调用

针对大模型：仅能分析出要调用的工具，但是此工具（或函数）不能真正的执行

针对 Agent：除了分析出要调用的工具之外，还可以执行具体的工具（或函数）

总结

记得关注么么哒