LangChain工具调用实战：从固定流程到智能决策

1. LangChain工具调用实战：从固定流程到智能决策

大型语言模型（LLM）的真正价值在于与现实世界的连接能力。在LangChain框架中，工具调用（Tool Calling）是实现这一连接的核心机制。作为一名长期从事AI应用开发的工程师，我发现很多团队在工具调用方案选型时存在误区——要么过度依赖复杂的Agent方案，要么完全放弃LLM的决策能力。本文将基于实际项目经验，系统讲解三种工具调用模式的选择策略和实现细节。

理解工具调用的本质很重要：它让LLM不再只是文本生成器，而是能主动触发外部系统操作的智能协调者。根据业务场景的确定性程度，我们可以将工具调用分为三个层级。最低层是确定性显式调用，适合流程固定的业务；中间层是半动态绑定，允许LLM决定是否调用工具；最高层是动态Agent，支持多步推理和循环执行。这三种模式构成了LangChain工具调用的能力光谱，开发者需要根据具体需求选择最简可行的方案。

2. 确定性显式调用：稳定优先的工程选择

2.1 适用场景与技术原理

在金融、医疗等对结果确定性要求高的领域，显式调用是最可靠的选择。我曾为一家跨境支付平台设计汇率查询服务，他们的核心需求是：无论用户输入什么内容，系统都必须先获取最新汇率再生成回复。这种强制的数据预加载模式，正是显式调用的典型用例。

技术实现上，我们利用RunnableLambda将工具函数封装为链式组件，通过RunnablePassthrough实现数据流的透传和注入。关键在于工具调用发生在Prompt模板处理之前，LLM完全不知道这个预处理过程，只是接收已经包含工具执行结果的输入。

2.2 实战代码深度解析

让我们扩展原始示例，加入更完整的错误处理和日志记录：

python复制from langchain_core.runnables import RunnableLambda, RunnablePassthrough
import logging
from datetime import datetime

logger = logging.getLogger(__name__)

def get_exchange_rate(inputs: dict) -> str:
    """模拟汇率API调用，实际项目应添加重试机制和缓存"""
    try:
        # 模拟API延迟
        time.sleep(0.5)
        # 实际项目中这里会调用外汇API
        rate = "1 USD = 158.17 JPY"
        logger.info(f"{datetime.now()} 汇率查询成功: {rate}")
        return rate
    except Exception as e:
        logger.error(f"汇率查询失败: {str(e)}")
        return "汇率服务暂不可用"

# 构建包含异常处理的链
chain = (
    RunnablePassthrough.assign(
        rate=RunnableLambda(get_exchange_rate)
        .with_retry(stop_after_attempt=3)  # 添加重试机制
    )
    | prompt
    | llm
    | Str