LangChain自定义工具开发实战与最佳实践

1. 自定义工具与工具包开发实战

在AI应用开发中，我们经常需要让大模型具备调用外部功能的能力。LangChain提供的工具(Tool)机制，就是让开发者能够将任意Python函数封装成AI可调用的"手"。今天我就结合自己在多个项目中的实践经验，详细讲解如何高效地创建和使用自定义工具。

1.1 工具的核心价值与设计原则

工具本质上是一个可执行的函数单元，它让AI具备了以下能力：

• 访问外部数据（如数据库、API）
• 执行复杂计算（如统计分析）
• 操作系统资源（如文件读写）
• 与硬件设备交互（如物联网控制）

在设计工具时，我遵循三个核心原则：

1. 原子性：每个工具只做一件事，保持功能单一
2. 自描述：通过文档清晰说明功能和参数
3. 可靠性：包含完善的错误处理和边界检查

2. 工具定义实战：@tool装饰器详解

2.1 基础工具定义

让我们从最简单的@tool装饰器开始。这个装饰器能自动从函数定义和docstring中提取工具元信息：

python复制from langchain_core.tools import tool

@tool
def get_cost(flower_name: str) -> str:
    """根据鲜花名称查询进货成本（元）。当需要知道成本时调用。
    
    Args:
        flower_name: 鲜花名称，支持中文如'玫瑰'、'百合'
        
    Returns:
        字符串格式的成本价格，如'10'
    """
    prices = {"玫瑰": 10, "百合": 8, "康乃馨": 6}
    return str(prices.get(flower_name, "未知品种"))

关键点：工具返回值必须是字符串！这是为了让大模型能够理解处理结果。

2.2 工具元数据优化

docstring的质量直接影响工具的使用效果。我总结的最佳实践包括：

• 第一行简明描述核心功能
• 明确触发条件（"当...时调用"）
• 参数说明包含类型和示例
• 返回值格式明确说明

python复制@tool
def get_market_price(flower_name: str, region: str = "北京") -> str:
    """查询鲜花在指定区域的市场售价（元）。当需要了解市场行情时调用。
    
    Args:
        flower_name: 鲜花品种，如'玫瑰'
        region: 查询区域，默认为'北京'，支持'上海'、'广州'等
        
    Returns:
        字符串格式的价格，如'15.5'
    """
    # 模拟不同区域价格
    price_map = {
        "北京": {"玫瑰": 15, "百合": 12},
        "上海": {"玫瑰": 16, "百合": 13}
    }
    return str(price