LangChain工具调用与结构化输出实战指南

1. LangChain实战：工具调用与结构化输出的深度解析

作为一名长期从事AI应用开发的工程师，我深刻体会到LangChain在构建智能应用时的价值。今天我将分享LangChain中两个最实用的功能：工具调用和结构化输出，这些技术能让你的AI应用从简单的"聊天机器人"升级为真正能"干活"的智能助手。

1.1 工具调用：让AI拥有"手脚"

工具调用(Tool Calling)是LangChain最强大的功能之一，它允许AI模型调用外部函数或API来完成特定任务。想象一下，当用户询问天气时，LLM本身并不知道实时天气数据，但通过工具调用，它可以连接天气API获取最新信息。

1.1.1 工具创建的三种方式

在LangChain中，我们可以用三种方式创建工具：

1. 最简单的方式：@tool装饰器

python复制@tool
def add(a: int, b: int) -> int:
    """两个数字相加"""
    return a + b

这种方式适合简单的工具函数，只需添加@tool装饰器和类型注解即可。

2. 进阶方式：@tool + Pydantic参数结构

python复制from pydantic import BaseModel

class AddInput(BaseModel):
    a: int = Field(description="第一个加数")
    b: int = Field(description="第二个加数")

@tool(args_schema=AddInput)
def add(a: int, b: int) -> int:
    return a + b

这种方式参数更清晰，能写详细说明，适合需要明确参数含义的场景。

3. 最灵活的方式：继承BaseTool

python复制from langchain.tools import BaseTool

class AddTool(BaseTool):
    name = "add_tool"
    description = "两个数字相加"
    
    def _run(self, a: int, b: int):
        return a + b

这种方式适合复杂或异步操作，比如调用外部API，你可以完全控制工具的行为。

提示：对于简单的工具，推荐使用@tool装饰器；需要复杂参数验证时用Pydantic；当工具需要特殊处理(如异步调用)时，才需要继承BaseTool。

1.1.2 本地自定义工具实战

让我们通过一个完整示例看看如何创建和使用本地工具：

python复制from langchain_core.tools import tool

@tool
def sum_to_n(n: int) -> int:
    """计算从0累加到n的结果"""
    return sum(range(n+1))

# 初始化模型并绑定工具
from langchain.chat_models import ChatDeepSeek

llm = ChatDeepSeek(
    model_name="deepseek-chat",
    api_key="your-api-key",
    temperature=0.7
)

bound_llm = llm.bind_tools([sum_to_n])

# 工具调用流程
from langchain_core.messages import HumanMessage, ToolMessage

# 用户提问
message = [HumanMessage(content="计算从0加到100的结果")]

# 模型决定调用工具
ai_message = bound_llm.invoke(message)

# 执行工具调用
if ai_message.tool_calls:
    tool_call = ai_message.tool_calls[0]
    result = sum_to_n.invoke(tool_call["args"])
    tool_message = ToolMessage(
        content=str(result),
        tool_call_id=tool_call["id"]
    )
    
    # 获取最终回复
    final_msg = bound_llm.invoke([*message, ai_message, tool_message]).content
    print(final_msg)  # 输出: "从0加到100的结果是5050"

这个例子展示了完整的工具调用流程：

1. 定义工具(sum_to_n)
2. 绑定工具到模型
3. 模型分析用户输入并决定调用工具
4. 执行工具调用
5. 将结果返回给模型生成最终回复

1.1.3 第三方工具集成：以Tavily搜索为例

LangChain的强大之处在于它能轻松集成各种第三方工具。让我们以Tavily搜索为例：

python复制from langchain_tavily import TavilySearch

# 创建搜索工具
tavily_tool = TavilySearch(
    max_results=3,
    tavily_api_key="your-api-key"
)

# 绑定工具到模型
bound_llm = llm.bind_tools([tavily_tool])

# 多轮工具调用示例
messages = [
    HumanMessage(content="2026年3月2日北京天气情况")
]

for _ in range(3):  # 最多尝试3次
    ai_message = bound_llm.invoke(messages)
    messages.append(ai_message)
    
    if not ai_message.tool_calls:
        print(ai_message.content)
        break
        
    # 执行工具调用
    for tool_call in ai_message.tool_calls:
        result = tavily_tool.invoke(tool_call["args"])
        messages.append(
            ToolMessage(
                content=str(result),
                tool_call_id=tool_call["id"]
            )
        )

在实际项目中，我发现多轮工具调用特别有用。有时AI需要多次搜索或组合多个工具的结果才能回答复杂问题。设置调用次数限制(如3次)可以防止无限循环。

1.2 结构化输出：让AI的回答更规范

结构化输出(Structured Output)是另一个改变游戏规则的