LangChain自定义工具开发：装饰器与类实现对比

1. LangChain自定义工具开发概述

在构建基于LangChain的智能应用时，自定义工具(Agent Tools)的开发是扩展AI能力边界的关键技术。作为一位长期使用LangChain进行项目开发的工程师，我发现工具开发的质量直接影响着Agent的决策能力和任务完成度。LangChain主要提供两种工具实现方式：基于装饰器的快速开发和基于类的结构化开发，两者各有其适用场景和技术特点。

实际项目中，我经常需要根据工具复杂度、复用需求和团队协作规范来选择实现方式。简单的一次性工具用装饰器可以快速验证想法，而需要复杂参数校验、状态管理或继承扩展的工具则更适合用类实现。下面我将结合具体代码示例，详细解析两种实现方式的技术细节和最佳实践。

2. 装饰器实现方式详解

2.1 基础装饰器使用

@tool装饰器是LangChain提供的最快捷的工具封装方式，只需在普通函数上添加装饰器即可将其转化为Agent可调用的工具。以下是一个完整的天气查询工具示例：

python复制from langchain.tools import tool
import requests

@tool
def get_weather(city: str) -> str:
    """查询指定城市的实时天气情况
    
    Args:
        city (str): 需要查询的城市名称，如"北京"
    
    Returns:
        str: 天气信息字符串
    """
    # 实际项目中这里应该调用天气API
    return f"{city}当前天气：晴，温度25℃，湿度60%"

关键点说明：

1. 函数文档字符串(docstring)会被自动转换为工具描述，Agent据此理解工具用途
2. 参数类型提示(type hints)帮助LangChain进行参数类型校验
3. 返回字符串应当包含完整结果信息，因为Agent无法访问工具内部状态

注意：装饰器方式默认使用函数名作为工具名，如需自定义可在装饰器参数指定：@tool("weather_check")

2.2 高级参数配置

装饰器支持通过args_schema参数实现更复杂的参数验证。下面是一个支持多参数的高级搜索工具示例：

python复制from pydantic import BaseModel, Field
from typing import Optional

class SearchParams(BaseModel):
    query: str = Field(..., description="搜索关键词")
    num_results: int = Field(5, description="返回结果数量")
    region: Optional[str] = Field(None, description="地区限定")

@tool(args_schema=SearchParams)
def web_search(params: SearchParams) -> str:
    """在互联网上搜索信息
    
    Args:
        params (SearchParams): 包含所有搜索参数
        
    Returns:
        str: 格式化后的搜索结果
    """
    # 模拟搜索过程
    results = [f"结果{i}: {params.query}" for i in range(params.num_results)]
    if params.region:
        results.insert(0, f"[地区限定: {params.region}]