【LangChain开发】LangChain 聊天模型——调用工具

🚀 欢迎来到我的CSDN博客：Optimistic _ chen
✨ 一名热爱技术与分享的全栈开发者，在这里记录成长，专注分享编程技术与实战经验，助力你的技术成长之路，与你共同进步！

🚀我的专栏推荐：

🚀我的承诺：
✅ 文章配套代码：每篇技术文章都提供完整的可运行代码示例

✅ 持续更新：专栏内容定期更新，紧跟技术趋势

✅ 答疑交流：欢迎在文章评论区留言讨论，我会及时回复（支持互粉）

🚀 关注我，解锁更多技术干货！
⏳ 每天进步一点点，未来惊艳所有人！✍️ 持续更新中，记得⭐收藏关注⭐不迷路 ✨

📌 标签:#技术博客  #编程学习  #Java  #C语言  #算法  #程序员

聊天模型调用工具

上篇博客说了LangChain解决LLM三大痛点问题的方法之一就是⼯具调⽤——让⼤语⾔模型（LLM）具备与外部世界交互的能⼒。

调用工具后：

• 扩展边界能力，模型借助工具完成任务
• 保证消息实时性：通过调用搜索工具获得最新消息
• 处理复杂任务：将一个复杂请求分解成多个步骤，依次调用不同的工具协同完成

创建工具

  我们可以使用别人封装好的工具，同时也可以使用我们自定义的工具。自定义的工具就需要＠Tool装饰器创建工具。@tool 装饰器是⾃定义⼯具的最简单⽅法。

简单来说：⼯具通过@tool 加Python函数 实现

• 装饰器默认使⽤函数名称作为⼯具名称
• 装饰器将使⽤函数的⽂档字符串作为⼯具的描述

因此，函数名、类型提⽰和⽂档字符串都是传递给⼯具Schema 的⼀部分，不可缺失。定义好的描述是使模型良好运⾏的重要部分。

特别注意JSON Schema：一套专门用来约束、校验 JSON 数据格式的标准规范，用 JSON 本身写一套规则，用来规定一段合法 JSON 必须满足什么条件。

使用@tool注解（自动生成schema）

工具Schema：大模型工具调用（Function Calling）专用的结构化描述模板，基于 JSON Schema 规范，用来告诉 AI：这个工具叫什么、干什么、需要传哪些参数、参数是什么类型、哪些必填，强制 AI 生成合法参数供后端调用接口 / 函数。

from langchain_core.tools import tool
@tool
def add(a:int,b:int)->int:
   """加法运算 
   参数:
   a:加数
   b:被加数
   """
   return a+b
print(add.invoke({"a":2,"b":3}))
print(add.name)
print(add.description)
print(add.args)

底层依赖 Pydantic 自动生成 JSON Schema

Pydantic Base Model(复杂结构化参数写法)

from pydantic import BaseModel, Field
class AddInput(BaseModel):
    """Add two integers."""
    a: int = Field(..., description="加数")
    b: int = Field(..., description="被加数")

from langchain_core.tools import tool
@tool(args_schema=AddInput)
def add(a: int, b: int) -> int:
    # 未提供描述
    return a + b

print(add.invoke({"a":2,"b":3}))

Annotated+@tool(轻量化带校验、描述)

from typing import Annotated
from pydantic import Field
from langchain_core.tools import tool

@tool
def add(
    a: Annotated[int, Field(description="第一个加数，必须大于0", gt=0)],
    b: Annotated[int, Field(description="第二个加数，必须大于0", gt=0)]
) -> int:
    """两数相加计算工具，仅支持正整数加法"""
    return a + b

print(add.args)
print(add.invoke({"a": 10, "b": 20}))

使⽤StructuredTool类提供的函数创建⼯具

StructuredTool类⽤来初始化⼯具，其中from_function 类⽅法通过给定的函数来创建并返回⼀个⼯具

from langchain_core.tools import StructuredTool

def add(a:int,b:int)->int:
    """ 两数相加"""
    return a+b;
calculator_tool=StructuredTool.from_function(func=add)
print(calculator_tool.invoke({"a": 2, "b": 3}))

因为LLM的理解大部分来自文本描述，所以工具的输出content必须是结构良好、简洁的文本，方便LLM执行下一步指令。

在链（chain）中，⼯具调⽤之后的其他组件或函数，可能需要⼯具的原始且结构化数据（即artifact ）来执⾏特定操作。这些数据可能是庞⼤的、且⾮⽂本的。这些数据不适合直接塞给模型。因此，artifact 其实是为了给链中后续的组件或函数使⽤的，不被⼤模型所直接使⽤

绑定工具

为了实际将这些工具绑定到聊天模型，可以使用聊天模型的.bind_tools()方法
它的源码如下：

工具调用

.bind_tools()方法返回了一个Runnable实例，因此我们可以使用该是咧，调用.invoke()方法，完成工具调用。

from langchain_core.tools import StructuredTool
from langchain.chat_models import init_chat_model

model=init_chat_model("deepseek-v4-pro",model_provider="deepseek")
def add(a:int,b:int)->int:
    """ 两数相加"""
    return a+b;
calculator_tool=StructuredTool.from_function(func=add)

#绑定工具
tools=[add]
model_with_tools=model.bind_tools(tools)

#调用工具
result=model_with_tools.invoke("2加5等于多少？")
print(result)

输出内容是AIMessage，从输出结果看AI给出的响应是进行工具的调用（这里只是调用了工具，没有答案）

记住：⼯具调⽤的⼀个关键原则是，模型根据输⼊的相关性决定何时使⽤⼯具。模型并不总是需要调⽤⼯具

将工具输出传给聊天模型

前面我们仅仅只是调用了工具，但是聊天模型并没有给我们预期中的答案。因此我们需要：

1. 将工具输出传递给聊天模型，包括HumanMessage（用户输出）、AIMessage（工具调用）、ToolMessage(工具输出)
2. 聊天模型根据以上信息，将最终结果AIMessage返回

因为聊天模型输入是接收聊天消息列表，所以我们需要把工具的返回构造成ToolMessage，再传给聊天模型。

from typing import Annotated
from langchain_core.tools import tool
from langchain.chat_models import init_chat_model
from pydantic import Field
from langchain_core.messages import HumanMessage

# ------------------ 1. 初始化大语言模型 ------------------
# 使用 DeepSeek 的 v4-pro 模型（需确保已配置 API Key 等环境变量）
model = init_chat_model("deepseek-v4-pro", model_provider="deepseek")

# ------------------ 2. 定义工具（函数） ------------------
# @tool 装饰器将普通 Python 函数转换为 LangChain 可识别的工具，
# 并自动根据函数签名和 Pydantic Field 生成 JSON Schema 供 LLM 理解。
@tool
def add(a: Annotated[int, Field(description="加数")],
        b: Annotated[int, Field(description="被加数")]
        ) -> int:
    """两数相加"""
    return a + b

# ------------------ 3. 将工具绑定到模型 ------------------
# 绑定后，模型在调用时会自动在请求中携带工具的定义（function calling）。
tools = [add]
model_with_tools = model.bind_tools(tools)

# ------------------ 4. 第一次调用：让模型决定是否使用工具 ------------------
# 构建初始用户消息
messages = [HumanMessage("5加3等于多少？")]

# 调用绑定了工具的模型，模型会分析意图并可能返回 tool_calls
ai_message = model_with_tools.invoke(messages)
# 将模型的响应（包含 tool_calls 决策）追加到对话历史中
messages.append(ai_message)

# ------------------ 5. 本地执行工具 ------------------
# 遍历模型返回的所有工具调用请求（可能同时请求多个）
for tool_call in ai_message.tool_calls:
    # 根据工具名称选择对应的 Python 函数（这里仅演示单一 add 工具）
    # 注意：实际生产环境应使用字典映射或注册表，避免硬编码
    selected_tool = {"add": add}[tool_call["name"].lower()]

    # 执行工具：invoke 会自动提取 tool_call 中的 args 作为参数，
    # 并返回 ToolMessage 对象（包含执行结果和 tool_call_id）
    tool_message = selected_tool.invoke(tool_call)
    # 将工具执行结果追加到消息历史，以便模型获取计算结果
    messages.append(tool_message)

# 打印此时的完整消息列表（用于调试），包含 Human、AI（带工具调用）、Tool 三条消息
print(messages)

# ------------------ 6. 第二次调用：基于工具结果生成最终回复 ------------------
# 注意：这里使用原始的 model（未绑定工具），因为我们只需让模型根据工具结果
# 生成自然语言回答，而不希望它再次尝试调用新工具。
result = model.invoke(messages)
# 打印最终回复内容
print(result)

从输出结果来看，我们调用了两次聊天模型：

• 第一次：只是将HumanMessage发送给聊天模型进行处理，结果返回了，结果返回了包含⼯具调⽤的AIMessage，并没有返回我们想要的结果。然后我们执⾏⼯具，得到ToolMessage
• 第二次：将HumanMessage +AIMessage +ToolMessage 消息记录发送给聊天模型进行处理，结果返回了包含结果的AIMessage

整个流程：

1. 第一次请求发送: [HumanMessage(“5加3等于多少？”)] ，附带: tools=[add函数的JSON Schema定义]
2. 第一次响应返回AIMessage(不含文本内容，有tool_calls)，tool_calls = [{name: “add”, args: {a: 5, b: 3}, id: “call_xxx”}]
3. 第二次请求（注意：这次用的是 model.invoke，没有绑定工具；发送: 完整消息历史 [HumanMessage, AIMessage(tool_calls), ToolMessage]，注意：此时 没 有 传 递 tools 参数
4. 第二次响应返回: AIMessage (content=“5加3等于8。”)

LangChain提供的⼯具

⼯具也不是全部都需要我们⾃⼰⼿搓，其实LangChain官⽅也已经给我们提供了很多现成的⼯具（Tool）和⼯具包（Toolkit）。写好的⼯具⼀般都是为了使⽤LangChain中集成的三⽅组件或⼯具⽽创造的，有搜索、数据库、⽹⻚浏览器等相关的⼯具。

官方工具

这里使用一个搜索工具类Tavily来示范：
Tavily 不仅提供了⾼度可编程的API接⼝，还具备显著优于传统搜索引擎的上下⽂相关性理解能⼒。能够以结构化、可解析的形式返回搜索结果，便于将检索到的信息直接⽤于后续的推理、⽣成或任务执⾏流程。

点击Tvaily官网获取API Key，然后配置到系统环境变量中

from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage
from langchain_tavily import TavilySearch


model = init_chat_model("deepseek-v4-pro", model_provider="deepseek")

#绑定⼯具

tool =TavilySearch(max_results=4)
model_with_tools = model.bind_tools([tool])
#添加AIMessage到消息中去
messages = [
    HumanMessage("中国西安今天的天⽓怎么样？")
]
ai_msg = model_with_tools.invoke(messages)
messages.append(ai_msg)
for tool_call in ai_msg.tool_calls:
    # 执⾏⼯具调⽤，返回ToolMessage
    tool_msg=tool.invoke(tool_call)
    messages.append(tool_msg)

result=model_with_tools.invoke(messages)
print(result.content)

完结撒花！🎉

如果这篇博客对你有帮助，不妨点个赞支持一下吧！👍
你的鼓励是我创作的最大动力～

✨ 想获取更多干货？ 欢迎关注我的专栏 → optimistic_chen
📌 收藏本文，下次需要时不迷路！

我们下期再见！💫 持续更新中……

悄悄说：点击主页有更多精彩内容哦～ 😊