LangChain工具调用：大语言模型与外部系统交互实践

1. LangChain工具调用：从理论到实践的深度解析

在大语言模型（LLM）应用开发中，我们经常遇到一个关键瓶颈：模型虽然能生成流畅的文本，却无法直接执行计算、查询数据或操作外部系统。这正是LangChain工具调用能力要解决的核心问题。作为一名长期使用LangChain进行AI应用开发的工程师，我发现工具调用功能在实际项目中能显著提升LLM的实用性，使其从"聊天机器人"进化为"任务执行者"。

工具调用的本质是让LLM具备了自主决策和执行能力。想象一下，当用户询问"上海今天的天气如何？"时，模型不再只能回复"我无法获取实时天气"，而是能够自动调用天气API，获取最新数据后生成有意义的回答。这种能力在客服系统、数据分析、自动化流程等场景中尤为重要。

2. 工具调用核心概念解析

2.1 工具（Tool）的本质与实现

在LangChain中，工具本质上是一个标准化的函数封装。它包含三个关键要素：

1. 执行逻辑：实际完成特定任务的代码
2. 元数据：工具名称和描述（供LLM理解工具用途）
3. 接口规范：统一的调用方式（invoke方法）

python复制from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取指定城市的当前天气情况"""
    # 实际实现会调用天气API
    return f"{city}当前天气：晴，25℃"

这个简单的例子展示了如何将一个普通的Python函数转化为LangChain工具。@tool装饰器自动处理了标准化过程，使得这个函数可以被LLM识别和调用。

2.2 工具调用消息流解析

LangChain工具调用遵循严格的消息协议，主要包含三种消息类型：

1. HumanMessage：用户原始输入
2. AIMessage：模型响应（可能包含工具调用指令）
3. ToolMessage：工具执行结果

mermaid复制sequenceDiagram
    participant User
    participant LLM
    participant Tool
    
    User->>LLM: HumanMessage("上海天气如何？")
    LLM->>Tool: AIMessage(tool_calls=[...])
    Tool->>LLM: ToolMessage(result="晴，25℃")
    LLM->>User: AIMessage("上海当前天气：晴，25℃")

理解这个消息流对调试工具调用至关重要。当工具调用出现问题时，检查每个环节的消息内容往往能快速定位问题根源。

3. 工具创建高级技巧

3.1 参数校验与文档生成

在实际项目中，我们通常需要更严格的参数校验。Pydantic与LangChain工具的结合提供了完美解决方案：

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

class WeatherInput(BaseModel):
    city: str = Field(..., 
        description="城市名称",
        examples=["上海", "北京"],
        min_length=2,
        max_length=20
    )

@tool(args_schema=WeatherInput)
def get_weather(city: str) -> str:
    """获取指定城市的当前天气情况
    
    Args:
        city: 需要查询天气的城市名称
        
    Returns:
        包含天气信息的字符串
    """
    # 实现代码...

这种写法不仅提供了参数校验，还能生成完善的API文档。LLM也能从字段描述中更好地理解如何调用这个工具。

3.2 多工具组合与依赖管理

复杂场景下，我们经常需要多个工具协同工作。这时可以使用ToolKit进行组织：

python复制from langchain.agents import ToolKit

class MathTools(ToolKit):
    @tool
    def add(self, a: int, b: int) -> int:
        """两数相加"""
        return a + b
    
    @tool
    def multiply(self, a: int, b: int) -> int:
        """两数相乘"""
        return a * b

math_tools = MathTools()
tools = [math_tools.add, math_tools.multiply]

这种组织方式特别适合大型项目，可以按功能域划分工具，避免单个文件过于庞大。

4. 实战：构建天气查询Agent

让我们通过一个完整案例展示工具调用的实际应用。这个Agent能够查询天气并给出穿衣建议。

4.1 定义核心工具

python复制import requests
from pydantic import BaseModel, Field

class WeatherInput(BaseModel):
    city: str = Field(..., description="城市名称")
    date: str = Field(None, description="查询日期，默认为今天")

@tool(args_schema=WeatherInput)
def get_weather(city: str, date: str = None) -> dict: