05-Tools
1、Tools概述
1.1 工具的重要性
要构建更强大的AI工程应用，只有生成文本这样的“纸上谈兵”能力自然是不够的。
工具是赋予大语言模型 与外部世界交互能力 的关键组件，从而能让智能体执行搜索、计算、数据库查询、邮件发送或调用第三方API等，进而构建功能强大的AI应用。借助工具，大模型才能从“认识世界”走向“改变世界”。
举例：
工具是构建智能体的核心要素之一！
1.2 工具调用的方式
在LangChain中，工具（Tools）实际上是指明确定义了输入和输出的 可调用函数。因此， 工具调用（Tool Calling） 也被称为 函数调用（Function Calling）。
具体有两种调用方式：
方式1：直接调用
这种方式，适合测试时使用。
from langchain_core.tools import tool
@tool
def get_weather(city: str) -> str:
"""
获取指定城市的天气信息
参数:
city: 城市名称，如"北京"、"上海"
返回:
天气信息字符串
"""
# 你的实现
return city + "晴天，温度 15°C"# 使用 .invoke() 方法
result = get_weather.invoke({"city": "北京"})
print(result)北京晴天，温度 15°C方式2：绑定到模型（主流）
这种方式，让AI来调用，开发中使用。
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
# 从.env文件中加载环境变量
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_BASE_URL = os.getenv("CLOSEAI_BASE_URL")
model = init_chat_model(
model="gpt-5.4-mini",
model_provider="openai",
api_key=CLOSEAI_API_KEY,
base_url=CLOSEAI_BASE_URL
)
from langchain_core.tools import tool
# 定义工具
@tool
def get_weather(city: str) -> str:
"""获取指定城市的天气"""
# 你的实现
return "晴天，温度 15°C"
# 绑定工具
model_with_tools = model.bind_tools([get_weather])
# AI 可以决定是否调用工具
response = model_with_tools.invoke("北京天气如何？")
# response = model_with_tools.invoke("2 + 3 = ？")
# 检查 AI 是否要调用工具
if response.tool_calls:
print("AI 想调用工具：", response.tool_calls)
else:
print("AI 直接回答：", response.content)AI 想调用工具： [{'name': 'get_weather', 'args': {'city': '北京'}, 'id':
'call_fR3LE8Wjqh9lnDosQ61Y892E', 'type': 'tool_call'}]1.3 工具调用的整体流程
大模型能根据对话上下文决定何时调用工具以及传递哪些参数。
经典流程如下：
我们现在编写的LangChain应用对应上图中的AI助手或应用。
1.4 从Message流转看工具的调用
前提：模型的初始化
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
# 从.env文件中加载环境变量
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_BASE_URL = os.getenv("CLOSEAI_BASE_URL")
model = init_chat_model(
model="gpt-5.4-mini",
model_provider="openai",
api_key=CLOSEAI_API_KEY,
base_url=CLOSEAI_BASE_URL
)参考1：不使用@tool修饰
from langchain.messages import HumanMessage, ToolMessage
def get_weather(city: str):
"""获取天气的工具"""
return f"{city}天气晴朗"
# 将模型和工具绑定
model_with_tools = model.bind_tools([get_weather])
messages = [
HumanMessage("今天北京天气如何")
]
# 模型生成调用工具请求
response = model_with_tools.invoke(messages)
# 添加AIMessage
messages.append(response)
tool_calls = response.tool_calls
for tool_call in tool_calls:
if tool_call["name"] == "get_weather":
# 拼接出ToolMessage实例
tool_response = ToolMessage(
content=get_weather(**tool_call["args"]),
tool_call_id=tool_call["id"],
name=tool_call["name"]
)
messages.append(tool_response)
print("=====================> messages <=====================")
for msg in messages:
msg.pretty_print()
print("=====================> messages <=====================")
final_response = model_with_tools.invoke(messages)
print(f"final_response: \n{final_response}")参考2：使用@tool修饰
from langchain.messages import HumanMessage, ToolMessage
@tool
def get_weather(city: str):
"""获取天气的工具"""
return f"{city}天气晴朗~"
# 将模型和工具绑定
model_with_tools = model.bind_tools([get_weather])
messages = [
HumanMessage("今天北京天气如何")
]
# 模型生成调用工具请求
response = model_with_tools.invoke(messages)
# 添加AIMessage
messages.append(response)
tool_calls = response.tool_calls
for tool_call in tool_calls:
if tool_call["name"] == "get_weather":
# 返回的是ToolMessage类型消息
tool_response = get_weather.invoke(tool_call)
print(type(tool_response))
messages.append(tool_response)
print("=====================> messages <=====================")
for msg in messages:
msg.pretty_print()
print("=====================> messages <=====================")
final_response = model_with_tools.invoke(messages)
print(f"final_response: \n{final_response}")说明：被 @tool 修饰的函数可以调用 invoke 接收模型返回的入参信息执行函数，并返回ToolMessage 实例，我们不再需要手动拼接 ToolMessage。
<class 'langchain_core.messages.tool.ToolMessage'>
=====================> messages <=====================
================================ Human Message
=================================
今天北京天气如何
================================== Ai Message
==================================
好的，我来帮你查一下今天北京的天气情况。
Tool Calls:
get_weather (call_00_f65kV4JKjBPK0HhURzO99449)
Call ID: call_00_f65kV4JKjBPK0HhURzO99449
Args:
city: 北京
================================= Tool Message
=================================
Name: get_weather
北京天气晴朗~
=====================> messages <=====================
final_response:
content='今天北京天气**晴朗** ☀，是个好天气！如果你要出门的话，可以放心出行哦～'
additional_kwargs={'refusal': None} response_metadata={'token_usage':
{'completion_tokens': 24, 'prompt_tokens': 343, 'total_tokens': 367,
'completion_tokens_details': None, 'prompt_tokens_details':
{'audio_tokens': None, 'cached_tokens': 256},
'prompt_cache_hit_tokens': 256, 'prompt_cache_miss_tokens': 87},
'model_provider': 'deepseek', 'model_name': 'deepseek-v4-flash',
'system_fingerprint': 'fp_8b330d02d0_prod0820_fp8_kvcache_20260402',
'id': 'fabbebd6-498e-40f0-b1f6-e9fb43a36297', 'finish_reason': 'stop',
'logprobs': None} id='lc_run--019e5a90-f0ca-7d43-a4e5-3d34379e8208-0'
tool_calls=[] invalid_tool_calls=[] usage_metadata={'input_tokens':
343, 'output_tokens': 24, 'total_tokens': 367, 'input_token_details':
{'cache_read': 256}, 'output_token_details': {}}对应图示（以参考1为例）：
工具调用流程总结：
所以如果真正要大模型根据工具调用结果进行回复，完整的调用流程包括如下四个步骤：
步骤1：模型绑定工具：通过model.bind_tools([...])绑定一个或者多个工具。
步骤2：模型生成工具调用请求：用户输入问题，调用模型（比如invoke()）。如果需要调用工具，模型返回包含工具调用信息（如工具名称和参数）的AIMessage。
步骤3：开发者手动执行工具：用户从响应中提取工具调用信息并手动调用对应的工具（比如工具.invoke()）。
步骤4：将工具执行结果ToolMessage传递给模型生成最终结果：将之前用户提问内容和手动执行工具结果ToolMessage返回模型，模型最终生成回复。
特别注意：大模型调用工具是单次推理，直接响应，需要开发者手动执行工具并管理循环，适合简单、确定的任务。
2、工具的定义方式1：不使用@tool
2.1 模型绑定工具并发送请求
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
# 从.env文件中加载环境变量
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_BASE_URL = os.getenv("CLOSEAI_BASE_URL")
model = init_chat_model(
model="gpt-5.4-mini",
model_provider="openai",
api_key=CLOSEAI_API_KEY,
base_url=CLOSEAI_BASE_URL
)from rich import print as rprint
# 定义工具
def get_weather(city: str):
return f"{city}天气晴朗"
# 将模型和工具绑定
model_with_tools = model.bind_tools([get_weather])
response = model_with_tools.invoke(
"今天北京天气如何"
)
rprint(response)
# print(response.tool_calls)输出如下
AIMessage(
content='',
additional_kwargs={'refusal': None},
response_metadata={
'token_usage': {
'completion_tokens': 18,
'prompt_tokens': 121,
'total_tokens': 139,
'completion_tokens_details': {
'accepted_prediction_tokens': 0,
'audio_tokens': 0,
'reasoning_tokens': 0,
'rejected_prediction_tokens': 0
},
'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens':
0},
'latency_checkpoint': {
'engine_tbt_ms': 3,
'engine_ttft_ms': 41,
'engine_ttlt_ms': 100,
'pre_inference_ms': 99,
'service_tbt_ms': 3,
'service_ttft_ms': 207,
'service_ttlt_ms': 260,
'total_duration_ms': 168,
'user_visible_ttft_ms': 108
}
},
'model_provider': 'openai',
'model_name': 'gpt-5.4-mini-2026-03-17',
'system_fingerprint': None,
'id': 'chatcmpl-Dif1tWr37cPmJRNpJuCLJNU9Yrxlk',
'service_tier': 'default',
'finish_reason': 'tool_calls',
'logprobs': None
},
id='lc_run--019e54a4-6989-71b1-8c7e-6efcfa08d4bb-0',
tool_calls=[
{
'name': 'get_weather',
'args': {'city': '北京'},
'id': 'call_ECvZNV7RLTWpKQSjhvdGzKBd',
'type': 'tool_call'
}
],
invalid_tool_calls=[],
usage_metadata={
'input_tokens': 121,
'output_tokens': 18,
'total_tokens': 139,
'input_token_details': {'audio': 0, 'cache_read': 0},
'output_token_details': {'audio': 0, 'reasoning': 0}
}
)2.2 工具描述的各部分详解
2.2.1 了解：convert_to_openai_tool
执行 model.bind_tools([get_weather])，底层最终会调用 convert_to_openai_tool 生成工具描述。所以我们可以直接调用后者查看解析后的工具描述。
from langchain_core.utils.function_calling import convert_to_openai_tool
from rich import print as rprint
def get_weather(city: str):
return f"{city}天气晴朗"
rprint(convert_to_openai_tool(get_weather))输出如下
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '',
'parameters': {
'properties': {
'city': {
'type': 'string'
}
},
'required': ['city'],
'type': 'object'
}
}
}结果字段说明：
（1） type：定义当前数据节点必须是什么数据类型。常见类型有 string, number, integer, boolean,object, array, null。object即是json对象。
（2） properties：用于定义JSON 对象（Object）中可以包含哪些属性（键），以及每个属性对应的值类型和说明。
（3） required：当 type为 "object"时使用，是一个数组，列出了对象中必须存在的属性名。
问题：为什么不使用@tool装饰器修饰的函数，也可以理解为工具呢？
查看 convert_to_openai_tool 底层源码：
elif isinstance(function, langchain_core.tools.base.BaseTool):
oai_function = cast("dict", _format_tool_to_openai_function(function))
elif callable(function):
oai_function = cast(
"dict", _convert_python_function_to_openai_function(function)
)相当于加了@tool修饰的函数走上面的分支，没有加@tool修饰的函数走下面的分支，后者会基于函数定义和docstring生成pydantic模式的描述，然后转换为规范的tool_schema。
2.2.2 description说明
convert_to_openai_tool 会从 docstring(文档字符串) 加载工具的描述信息，上面的案例中，docstring 为空，所以抽取的 description 为空。
docstring，文档字符串，使用三个双引号表示开始和结束。
from langchain_core.utils.function_calling import convert_to_openai_tool
from rich import print as rprint
def get_weather(city: str):
"""
天气查询工具
"""
return f"{city}天气晴朗"
rprint(convert_to_openai_tool(get_weather))输出
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '天气查询工具',
'parameters': {
'properties': {
'city': {
'type': 'string'
}
},
'required': ['city'],
'type': 'object'
}
}
}2.2.3 参数说明
convert_to_openai_tool 会从 docstring 加载参数说明，这里的 docstring 必须遵循 Google 风格。
Google 风格 docstring 说明：https://google.github.io/styleguide/pyguide.html
Google 风格 docstring 示例：https://www.sphinx-doc.org/en/master/usage/extensions/example_google.html
Python docstring 通用约定：https://peps.python.org/pep-0257/
基础用法不必完整阅读规范，只需要按照下面的示例仿写即可。
from langchain_core.utils.function_calling import convert_to_openai_tool
from rich import print as rprint
def get_weather(city: str):
"""
天气查询工具
Args:
city: 城市名称
"""
return f"{city}天气晴朗"
rprint(convert_to_openai_tool(get_weather))使用 Args:、 Returns:、 Raises: 等关键字，这种方式可读性强。Agent通过工具的这些注释来理解工具的用途和调用时机，因此清晰、准确的文档字符串是工具能被正确调用的前提。
输出如下：
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '天气查询工具',
'parameters': {
'properties': {
'city': {
'description': '城市名称',
'type': 'string'
}
},
'required': ['city'],
'type': 'object'
}
}
}AI 依赖 docstring 来理解工具。
# ❌ 不好：太模糊
@tool
def tool1(x: str) -> str:
"""做一些事情"""
...# ✅ 好：清晰明确
@tool
def search_products(query: str) -> str:
"""
在产品数据库中搜索产品
Args:
query: 搜索关键词，如"笔记本电脑"、"手机"
Returns:
产品列表的 JSON 字符串
"""
...2.2.4 参数类型说明
参数类型来源于函数的类型注解。
from langchain_core.utils.function_calling import convert_to_openai_tool
from rich import print as rprint
def get_weather(city):
"""
天气查询工具
"""
return f"{city}天气晴朗"
rprint(convert_to_openai_tool(get_weather))输出如下
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '天气查询工具',
'parameters': {
'properties': {
'city': {}
},
'required': ['city'],
'type': 'object'
}
}
}删除了参数类型注解，则工具描述中不包含参数类型说明
注意：如果docstring中包含参数说明，则对应的参数必须有类型注解，否则报错
from langchain_core.utils.function_calling import convert_to_openai_tool
from rich import print as rprint
def get_weather(city):
"""
天气查询工具
Args:
city: 城市名称
"""
print("天气晴朗")
rprint(convert_to_openai_tool(get_weather))报错如下：
Traceback...
ValueError: Arg city in docstring not found in function signature.2.2.5 参数默认值说明
如果参数没有默认值，则会包含 在required对应的列表 中。
反之，则参数的描述信息会包含 default 字段，并且 不会出现在required列表 中。
from langchain_core.utils.function_calling import convert_to_openai_tool
from rich import print as rprint
def get_weather(city: str="北京"):
"""
天气查询工具
Args:
city: 城市名称
"""
return f"{city}天气晴朗"
rprint(convert_to_openai_tool(get_weather))输出如下
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '天气查询工具',
'parameters': {
'properties': {
'city': {
'default': '北京',
'description': '城市名称',
'type': 'string'
}
},
'type': 'object'
}
}
}目前只有一个参数，并且有默认值，所以required字段被移除了。
举例2：
from langchain_core.utils.function_calling import convert_to_openai_tool
from rich import print as rprint
def get_weather(dt: str, city: str="北京"):
"""
天气查询工具
Args:
dt: 日期
city: 城市名称
"""
return f"{city}天气晴朗"
rprint(convert_to_openai_tool(get_weather))输出
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '天气查询工具',
'parameters': {
'properties': {
'dt': {
'description': '日期',
'type': 'string'
},
'city': {
'default': '北京',
'description': '城市名称',
'type': 'string'
}
},
'required': [
'dt'
],
'type': 'object'
}
}
}3、工具的定义方式2：使用@tool装饰器（推荐）
使用 @tool 装饰器修饰，可以自动将普通 Python 函数转化为智能体可调用的工具。
此方式 最直接，代码量极少，非常适合快速验证想法或创建参数简单的工具。
3.1 自定义工具描述：description
情况1：仅提供docstring信息
在bind_tools()调用时，先将函数封装为 BaseTool 类型的对象，再传递给 convert_to_openai_tool 函数，生成工具的描述。
from langchain_core.utils.function_calling import convert_to_openai_tool
from langchain.tools import tool
@tool
def get_weather(city: str):
return f"{city}天气晴朗"
print(convert_to_openai_tool(get_weather))@tool 会从 docstring 生成描述信息，同样要求遵循 Google docstring 规范。如果没有 docstring则报错，如下。
Traceback...
ValueError: Function must have a docstring if description not provided.补充 docstring
from langchain_core.utils.function_calling import convert_to_openai_tool
from langchain.tools import tool
@tool
def get_weather(city: str):
"""
天气查询工具
"""
return f"{city}天气晴朗"
print(convert_to_openai_tool(get_weather))输出如下
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '天气查询工具',
'parameters': {
'properties': {
'city': {
'type': 'string'
}
},
'required': [
'city'
],
'type': 'object'
}
}
}情况2：添加工具描述：description
@tool 的参数 description 可以更改工具描述，优先级高于 docstring 的函数说明
from langchain_core.utils.function_calling import convert_to_openai_tool
from langchain.tools import tool
from rich import print as rprint
@tool(description="根据城市名称查询当日天气的工具")
def get_weather(city: str):
"""
天气查询工具
"""
return f"{city}天气晴朗"
rprint(convert_to_openai_tool(get_weather))输出
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '根据城市名称查询当日天气的工具',
'parameters': {
'properties': {
'city': {
'type': 'string'
}
},
'required': [
'city'
],
'type': 'object'
}
}
}情况3：解析docstring：parse_docstring
当我们没有向 @tool 传递 description 参数时，默认情况下， tool 会将 docstring 整体视为description，如下
from langchain_core.utils.function_calling import convert_to_openai_tool
from rich import print as rprint
@tool
def get_weather(city: str, units: str = "celsius", include_forecast: bool =
False) -> str:
"""
获取当日天气，可选择是否同时查询未来五日天气预报
Args:
city: 城市
units: 气温单位，可选：celsius-摄氏度，fahrenheit-华氏度
include_forecast: 是否包含未来五日的天气预报
"""
temp = 22 if units == "celsius" else 72
result = f'{city}当天气温: {temp} {"摄氏度" if units == "celsius" else "华
氏度"}'
if include_forecast:
result += "\n未来五天都是晴天"
return result
rprint(convert_to_openai_tool(get_weather))输出如下
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '获取当日天气，可选择是否同时查询未来五日天气预报
\n\nArgs:\n city: 城市\n units: 气温单位，可选：celsius-摄氏度，
fahrenheit-华氏度\n include_forecast: 是否包含未来五日的天气预报',
'parameters': {
'properties': {
'city': {
'type': 'string'
},
'units': {
'default': 'celsius',
'type': 'string'
},
'include_forecast': {
'default': False,
'type': 'boolean'
}
},
'required': [
'city'
],
'type': 'object'
}
}
}通过将 parse_docstring 设置为True，docstring会被解析，填充到相应的字段描述中。
from langchain_core.utils.function_calling import convert_to_openai_tool
from rich import print as rprint
@tool(parse_docstring=True)
def get_weather(city: str, units: str = "celsius", include_forecast: bool =
False) -> str:
"""
获取当日天气，可选择是否同时查询未来五日天气预报
Args:
city: 城市
units: 气温单位，可选：celsius-摄氏度，fahrenheit-华氏度
include_forecast: 是否包含未来五日的天气预报
"""
temp = 22 if units == "celsius" else 72
result = f'{city}当天气温: {temp} {"摄氏度" if units == "celsius" else "华
氏度"}'
if include_forecast:
result += "\n未来五天都是晴天"
return result
rprint(convert_to_openai_tool(get_weather))输出
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '获取当日天气，可选择是否同时查询未来五日天气预报',
'parameters': {
'properties': {
'city': {
'description': '城市',
'type': 'string'
},
'units': {
'default': 'celsius',
'description': '气温单位，可选：celsius-摄氏度，
fahrenheit-华氏度',
'type': 'string'
},
'include_forecast': {
'default': 'False',
'description': '是否包含未来五日的天气预报',
'type': 'boolean'
}
},
'required': [
'city'
],
'type': 'object'
}
}
}要注意：不使用 @tool 装饰器时，docstring不合法会被视为普通文本，作为 description，但如果使用了 @tool 时 docstring 不合法，将会抛出异常
from langchain_core.utils.function_calling import convert_to_openai_tool
@tool(parse_docstring=True)
def get_weather(city: str, units: str = "celsius", include_forecast: bool =
False) -> str:
"""
获取当日天气，可选择是否同时查询未来五日天气预报
Args:
city: 城市
units: 气温单位，可选：celsius-摄氏度，fahrenheit-华氏度
include_forecast: 是否包含未来五日的天气预报
"""
temp = 22 if units == "celsius" else 72
result = f'{city}当天气温: {temp} {"摄氏度" if units == "celsius" else "华
氏度"}'
if include_forecast:
result += "\n未来五天都是晴天"
return result
convert_to_openai_tool(get_weather)报错如下
Traceback...
ValueError: Found invalid Google-Style docstring.3.2 更改工具名称：name_or_callable
默认情况，使用函数名作为工具名称，但可以向@tool 传参 name_or_callable，以更改工具名称。
from langchain_core.utils.function_calling import convert_to_openai_tool
from langchain.tools import tool
@tool(name_or_callable="getWeather")
def get_weather(city: str):
"""
天气查询工具
"""
return f"{city}天气晴朗"
print(convert_to_openai_tool(get_weather))输出如下
{
'type': 'function',
'function': {
'name': 'getWeather',
'description': '天气查询工具',
'parameters': {
'properties': {
'city': {
'type': 'string'
}
},
'required': [
'city'
],
'type': 'object'
}
}
}说明：@tool中参数name_or_callable名称可以省略
from langchain_core.utils.function_calling import convert_to_openai_tool
from langchain.tools import tool
@tool("getWeather")
def get_weather(city: str):
"""
天气查询工具
"""
print("天气晴朗")
print(convert_to_openai_tool(get_weather))输出如下
{
'type': 'function',
'function': {
'name': 'getWeather',
'description': '天气查询工具',
'parameters': {
'properties': {
'city': {
'type': 'string'
}
},
'required': [
'city'
],
'type': 'object'
}
}
}说明：不要使用config或runtime作为参数名，这些是LangChain内部保留的。
开发中，习惯使用函数名作为工具名称，不推荐自定义工具名称。
3.3 自定义args_schema
3.3.1 方式1：使用Pydantic模型定义
当工具的参数变得复杂，需要 枚举值、 范围限制 或 更复杂的业务逻辑验证 时，Pydantic 模型是理想的选择，提供强大的类型检查和数据验证。
使用Pydantic 的主要优势在于能够精确控制工具参数的格式和验证规则，让大模型更准确地理解如何调用工具。
3.3.1.1 pydantic类型的定义
① BaseModel基类
通过继承核心基类 BaseModel 定义数据模型，从而声明字段结构、类型约束、默认值以0及校验规则。
from pydantic import BaseModel
class WeatherInput(BaseModel):
city: str
print(WeatherInput(city="北京"))输出如下
city='北京'注意：BaseModel子类初始化时，不接收位置参数，字段值必须以关键字参数的形式传入，否则报错。
from pydantic import BaseModel
class WeatherInput(BaseModel):
city: str
print(WeatherInput("北京"))报错如下
TypeError
......
TypeError: BaseModel.__init__() takes 1 positional argument but 2 were
given这是因为BaseModel的初始化函数签名如下
def __init__(self, /, **data: Any) -> None:由此可知，所有关键字参数都会被收集到字典 data 中，然后 data 会按照参数类型注解进行校验，失败时抛出异常。
② Field
Field()：用来“定制字段”的函数，可用于设置默认值、描述等。
举例1：设置默认值
from pydantic import BaseModel, Field
class WeatherInput(BaseModel):
city: str = Field(
default= "北京"
)
print(WeatherInput())输出
city='北京'举例2：设置参数的描述信息每个字段的 description 参数至关重要，它直接影响大模型理解参数含义的能力。
from pydantic import BaseModel, Field
class WeatherInput(BaseModel):
city: str = Field(
default= "北京",
description="城市"
)
include_forecast: bool = Field(
default=False,
description="是否包含未来五日天气预报"
)
print(WeatherInput())输出
city='北京' include_forecast=False③ Literal
可以使用 Literal类型限定参数为固定选项。
Literal：表示字段不能是任意某种类型的值，而只能是几个固定字面量之一。
举例1：
from pydantic import BaseModel
from typing import Literal
class WeatherInput(BaseModel):
city: str
unit: Literal["celsius", "fahrenheit"]
print("===============> 合法 <===============")
print(WeatherInput(city="北京", unit="celsius"))
print("===============> 非法 <===============")
try:
print(WeatherInput(city="北京", unit="kelvin"))
except Exception as e:
print("报错类型：", type(e).__name__)
print(e)输出
===============> 合法 <===============
city='北京' unit='celsius'
===============> 非法 <===============
报错类型： ValidationError
1 validation error for WeatherInput
unit
Input should be 'celsius' or 'fahrenheit' [type=literal_error,
input_value='kelvin', input_type=str]
For further information visit
<https://errors.pydantic.dev/2.12/v/literal_error>举例2：
from pydantic import BaseModel, Field
class WeatherInput(BaseModel):
city: str = Field(
default= "北京",
description="城市"
)
unit: Literal["celsius", "fahrenheit"] = Field(
default="celsius",
description="气温单位"
)
include_forecast: bool = Field(
default=False,
description="是否包含未来五日天气预报"
)
print(WeatherInput())输出
city='北京' unit='celsius' include_forecast=False3.3.1.2 使用Pydantic定义args_schema
通过 @tool(args_schema=PydanticModelCls) 将这个 Pydantic 模型与工具函数关联。
利用 Pydantic 的类型系统进行参数验证，当大模型需要调用工具前，Pydantic 会自动验证参数的类型和有效性。
举例：
from pydantic import BaseModel, Field
from langchain.tools import tool
from langchain_core.utils.function_calling import convert_to_openai_tool
class WeatherInput(BaseModel):
city: str = Field(
default= "北京",
description="城市"
)
unit: Literal["celsius", "fahrenheit"] = Field(
default="celsius",
description="气温单位"
)
include_forecast: bool = Field(
default=False,
description="是否包含未来五日天气预报"
)
@tool(args_schema=WeatherInput)
def get_weather(city: str, unit: str = "celsius", include_forecast: bool =
False) -> str:
"""获取当日天气，可选未来五日天气预报"""
temp = 22 if unit == "celsius" else 72
result = f'{city}当天气温: {temp} {"摄氏度" if unit == "celsius" else "华氏
度"}'
if include_forecast:
result += "\n未来五天都是晴天"
return result
convert_to_openai_tool(get_weather)输出
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '获取当日天气，可选未来五日天气预报',
'parameters': {
'properties': {
'city': {
'default': '北京',
'description': '城市',
'type': 'string'
},
'unit': {
'default': 'celsius',
'description': '气温单位',
'enum': [
'celsius',
'fahrenheit'
],
'type': 'string'
},
'include_forecast': {
'default': False,
'description': '是否包含未来五日天气预报',
'type': 'boolean'
}
},
'type': 'object'
}
}
}3.3.2 方式2：使用Json Schema定义
在 LangChain 中，还可以直接使用 JSON Schema 字典 来定义工具的参数模式。这种方式提供了极大的灵活性。
因为工具参数模式可以基于数据库配置或用户输入在 运行时动态生成，所以这种方式特别适合参数结构需要动态生成的场景。
举例：
{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取当日天气，可选未来五日天气预报",
"parameters": {
"type": "object",
"properties": {
"location": {"type": "string"},
"units": {"type": "string"},
"include_forecast": {"type": "boolean"}
},
"required": ["location", "units", "include_forecast"]
},
}
}应该传递给args_schema的只有 parameters 对应的JSON字符串，即
{
"type": "object",
"properties": {
"location": {"type": "string"},
"units": {"type": "string"},
"include_forecast": {"type": "boolean"}
},
"required": ["location", "units", "include_forecast"]
}举例：
通过 @tool(args_schema=json_schema_dict) 将一个符合 JSON Schema 标准的字典与工具函数关联。
from langchain.tools import tool
from langchain_core.utils.function_calling import convert_to_openai_tool
weather_schema = {
"type": "object",
"properties": {
"location": {"type": "string"},
"units": {"type": "string"},
"include_forecast": {"type": "boolean"}
},
"required": ["location", "units", "include_forecast"]
}
@tool(args_schema=weather_schema)
def get_weather(city: str, unit: str = "celsius", include_forecast: bool =
False) -> str:
"""获取当日天气，可选未来五日天气预报"""
temp = 22 if unit == "celsius" else 72
result = f'{city}当天气温: {temp} {"摄氏度" if unit == "celsius" else "华氏
度"}'
if include_forecast:
result += "\n未来五天都是晴天"
return result
print(convert_to_openai_tool(get_weather))输出
{
'type': 'function',
'function': {
'name': 'get_weather',
'description': '获取当日天气，可选未来五日天气预报',
'parameters': {
'type': 'object',
'properties': {
'location': {
'type': 'string'
},
'units': {
'type': 'string'
},
'include_forecast': {
'type': 'boolean'
}
},
'required': [
'location',
'units',
'include_forecast'
]
}
}
}4、工具的应用案例
4.1 案例1：使用args_schema
arg_schema给出明确的参数信息
模型初始化：
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
# 从.env文件中加载环境变量
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_BASE_URL = os.getenv("CLOSEAI_BASE_URL")
model = init_chat_model(
model="gpt-5.4-mini",
model_provider="openai",
api_key=CLOSEAI_API_KEY,
base_url=CLOSEAI_BASE_URL
)工具的定义与模拟调用：
from pydantic import BaseModel, Field
from langchain.tools import tool
from langchain.messages import HumanMessage
from langchain_core.utils.function_calling import convert_to_openai_tool
class WeatherSchema(BaseModel):
city: str = Field(default="北京", description="城市名称")
if_forecast: bool = Field(default=False, description="是否包含明日天气预
报")
@tool("get_weather_and_forecast", description="查询当日天气，可以包含明日天气预
报", args_schema=WeatherSchema)
def get_weather(city: str, if_forecast: bool):
res = f"{city} 今天天气不错"
if if_forecast:
res += "\n明天也不错"
return res
print(convert_to_openai_tool(get_weather))
model_with_tools = model.bind_tools([get_weather])
messages = [HumanMessage("今天杭州天气如何？明天呢？")]
response = model_with_tools.invoke(messages)
messages.append(response)
tool_calls = response.tool_calls
for tool_call in tool_calls:
if tool_call["name"] == "get_weather_and_forecast":
tool_msg = get_weather.invoke(tool_call)
messages.append(tool_msg)
final_response = model_with_tools.invoke(messages)
messages.append(final_response)
for msg in messages:
msg.pretty_print()输出
{'type': 'function', 'function': {'name': 'get_weather_and_forecast',
'description': '查询当日天气，可以包含明日天气预报', 'parameters':
{'properties': {'city': {'default': '北京', 'description': '城市名称',
'type': 'string'}, 'if_forecast': {'default': False, 'description': '是
否包含明日天气预报', 'type': 'boolean'}}, 'type': 'object'}}}
================================ Human Message
=================================
今天杭州天气如何？,明天呢？
================================== Ai Message
==================================
Tool Calls:
get_weather_and_forecast (call_c82UrCpAdVAqiHfl4OkZocbg)
Call ID: call_c82UrCpAdVAqiHfl4OkZocbg
Args:
city: 杭州
if_forecast: True
================================= Tool Message
=================================
Name: get_weather_and_forecast
杭州 今天天气不错
明天也不错
================================== Ai Message
==================================
杭州今天：天气不错。
杭州明天：也不错。4.2 案例2：撰写docstring
可以在docstring中撰写参数的描述信息，此时参数默认值和类型都要通过函数签名传递。
模型初始化：
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
# 从.env文件中加载环境变量
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_BASE_URL = os.getenv("CLOSEAI_BASE_URL")
model = init_chat_model(
model="gpt-5.4-mini",
model_provider="openai",
api_key=CLOSEAI_API_KEY,
base_url=CLOSEAI_BASE_URL
)工具的定义与模拟调用：
from langchain.tools import tool
from langchain.messages import HumanMessage
from langchain_core.utils.function_calling import convert_to_openai_tool
@tool("get_weather_and_forecast", parse_docstring=True)
def get_weather(city: str="北京", if_forecast: bool=False):
"""
查询当日天气，可以包含明日天气预报
Args:
city: 城市名称
if_forecast: 是否包含明日天气预报
"""
res = f"{city} 今天天气不错"
if if_forecast:
res += "\n明天要下雨"
return res
print(convert_to_openai_tool(get_weather))
model_with_tools = model.bind_tools([get_weather])
messages = [HumanMessage("今天杭州天气如何？明天呢？")]
response = model_with_tools.invoke(messages)
messages.append(response)
tool_calls = response.tool_calls
# 将工具调用的结果添加到消息列表中
for tool_call in tool_calls:
if tool_call["name"] == "get_weather_and_forecast":
# 返回值tool_msg类型是ToolMessage
tool_msg = get_weather.invoke(tool_call)
messages.append(tool_msg)
final_response = model_with_tools.invoke(messages)
messages.append(final_response)
for msg in messages:
msg.pretty_print()注意：要正确解析docstring，必须在@tool中将 parse_docstring 设置为 True。
输出
{'type': 'function', 'function': {'name': 'get_weather_and_forecast',
'description': '查询当日天气，可以包含明日天气预报', 'parameters':
{'properties': {'city': {'default': '北京', 'description': '城市名称',
'type': 'string'}, 'if_forecast': {'default': False, 'description': '是
否包含明日天气预报', 'type': 'boolean'}}, 'type': 'object'}}}
================================ Human Message
=================================
今天杭州天气如何？明天呢？
================================== Ai Message
==================================
Tool Calls:
get_weather_and_forecast (call_y5vpFccj2DfWSAF6ng5dZOYH)
Call ID: call_y5vpFccj2DfWSAF6ng5dZOYH
Args:
city: 杭州
if_forecast: True
================================= Tool Message
=================================
Name: get_weather_and_forecast
杭州 今天天气不错
明天要下雨
================================== Ai Message
==================================
杭州今天“天气不错”，明天“要下雨”。
如果你愿意，我也可以帮你继续看一下适合出行/穿衣的建议。4.3 案例3：多工具调用
大模型调用工具是单次推理，即每次运行调用一个工具，当调用多个工具时，需要用户自己管理多次调用循环。
from langchain_core.tools import tool
from langchain_core.messages import HumanMessage, AIMessage, ToolMessage
# 1.定义工具
# 定义股票查询工具
@tool(parse_docstring=True)
def get_stock_price(company: str, timeframe: str = "today") -> str:
"""获取指定公司的股票价格信息
Args:
company: 公司名称（如：苹果公司, 微软公司, 谷歌公司）
timeframe: 时间范围（today-今日, week-本周, month-本月）
"""
# 模拟股票数据
mock_data = {
"苹果公司": {"today": 185.20, "week": 183.50, "month": 180.75},
"微软公司": {"today": 415.86, "week": 412.30, "month": 405.42},
"谷歌公司": {"today": 15.42, "week": 15.20, "month": 14.85}
}
if company in mock_data:
price = mock_data[company].get(timeframe, "未知时间范围")
return f"{company} {timeframe}价格: {price}美元"
else:
return f"未找到股票代码 {company} 的数据"
# 定义新闻搜索工具
@tool(parse_docstring=True)
def search_news(company: str) -> str:
"""搜索指定公司的财经新闻
Args:
company: 公司名称
Returns:
公司的财经新闻，每个新闻占一行
"""
# 模拟新闻数据
mock_news = {
"苹果公司": [
"苹果发布新款iPhone，股价上涨3%",
"苹果与欧盟达成反垄断和解协议",
"苹果将在印度扩大生产规模"
],
"微软公司": [
"微软Azure云业务季度增长超预期",
"微软完成对Nuance的收购",
"微软推出新一代AI助手Copilot"
],
"谷歌公司": [
"谷歌发布新AI模型，性能提升20%",
"谷歌与OpenAI合作，开发新的AI助手",
"谷歌在欧洲展开AI研究项目"
]
}
news_list = mock_news.get(company, [f"未找到{company}的相关新闻"])
return "\n".join(news_list)
# rprint(convert_to_openai_tool(search_news))
# 2.初始化模型并绑定工具
tools = [get_stock_price, search_news]
model_with_tools = model.bind_tools(tools)
message_list = []
human_message = HumanMessage(content="苹果公司今天的股价是多少？最近有什么新闻？")
# human_message = HumanMessage(content="比较一下微软和苹果的股价")
# human_message = HumanMessage(content="腾讯最近有什么重大新闻？")
# human_message = HumanMessage(content="海水为什么是咸的？")
message_list.append(human_message)
# 3.工具调用
while True:
response = model_with_tools.invoke(message_list)
message_list.append(response)
# 如果模型不需要调用工具，直接退出循环
if not response.tool_calls:
print("没有工具调用，直接返回答案")
break
# 如果有调用工具，处理工具调用响应
# 4.开发者根据模型的响应，调用工具并获取结果
for tool_call in response.tool_calls:
if tool_call["name"] == "get_stock_price":
stock_result = get_stock_price.invoke(tool_call)
print("stock_result", stock_result)
message_list.append(stock_result)
if tool_call["name"] == "search_news":
news_result = search_news.invoke(tool_call)
print("news_result", news_result)
message_list.append(news_result)
# print("response", response)
# print(response.content)
for msg in message_list:
msg.pretty_print()输出：
stock_result content='苹果公司 today价格: 185.2美元'
name='get_stock_price' tool_call_id='call_cpGOhWce8rlIFSZ2G9w7ouON'
news_result content='苹果发布新款iPhone，股价上涨3%\n苹果与欧盟达成反垄断和解协
议\n苹果将在印度扩大生产规模' name='search_news'
tool_call_id='call_W9zjkAO8TNCmUbed2ld9tsxl'
没有工具调用，直接返回答案
================================ Human Message
=================================
苹果公司今天的股价是多少？最近有什么新闻？
================================== Ai Message
==================================
Tool Calls:
get_stock_price (call_cpGOhWce8rlIFSZ2G9w7ouON)
Call ID: call_cpGOhWce8rlIFSZ2G9w7ouON
Args:
company: 苹果公司
timeframe: today
search_news (call_W9zjkAO8TNCmUbed2ld9tsxl)
Call ID: call_W9zjkAO8TNCmUbed2ld9tsxl
Args:
company: 苹果公司
================================= Tool Message
=================================
Name: get_stock_price
苹果公司 today价格: 185.2美元
================================= Tool Message
=================================
Name: search_news
苹果发布新款iPhone，股价上涨3%
苹果与欧盟达成反垄断和解协议
苹果将在印度扩大生产规模
================================== Ai Message
==================================
苹果公司今天股价是 **185.2 美元**。
最近新闻包括：
- 苹果发布了**新款 iPhone**，带动股价上涨约 **3%**
- 苹果与欧盟达成了**反垄断和解协议**
- 苹果计划在**印度扩大生产规模**
如果你愿意，我也可以帮你继续整理这些新闻对苹果股价的可能影响。4.4 案例4：多工具调用
from langchain.tools import tool
from langchain.messages import HumanMessage
@tool(parse_docstring=True)
def get_weather(city: str) -> str:
"""
获取当日天气
Args:
city: 城市名称
"""
return f'{city}当天晴朗'
@tool(parse_docstring=True)
def get_news() -> str:
"""
获取当日新闻
"""
return "近期，受全球储蓄芯片短缺等多重因素影响，多地回收商称废旧手机回收市场迎来“火热
潮”，回收价格普遍上涨，旧手机成“香饽饽”。"
model_with_tools = model.bind_tools([get_weather, get_news])
messages = [
HumanMessage("今天杭州天气如何？今天新闻是什么？别瞎编")
]
response = model_with_tools.invoke(messages)
response.pretty_print()输出
==================================•[1m Ai Message
•[0m==================================
我来帮您查询杭州的天气和今日新闻。
Tool Calls:
get_weather (call_00_uspkbqR7N7wIewhr8hHZAXoM)
Call ID: call_00_uspkbqR7N7wIewhr8hHZAXoM
Args:
city: 杭州
get_news (call_01_ksyZoO2kXFBXXp1dH4dnxZAN)
Call ID: call_01_ksyZoO2kXFBXXp1dH4dnxZAN
Args:此时可以遍历tool_calls列表，挨个调用工具。
messages.append(response)
for tool_call in response.tool_calls:
if tool_call["name"] == "get_weather":
tool_msg = get_weather.invoke(tool_call)
print(tool_msg)
messages.append(tool_msg)
elif tool_call["name"] == "get_news":
tool_msg = get_news.invoke(tool_call)
print(tool_msg)
messages.append(tool_msg)
else:
raise Exception("不存在的工具")
final_response = model.invoke(messages)
messages.append(final_response)
for msg in messages:
msg.pretty_print()输出
content='杭州当天晴朗' name='get_weather'
tool_call_id='call_00_PhpRzVvHYLkqOgQMj4keeAso'
content='近期，受全球储蓄芯片短缺等多重因素影响，多地回收商称废旧手机回收市场迎来“火
热潮”，回收价格普遍上涨，旧手机成“香饽饽”。' name='get_news'
tool_call_id='call_01_ALWxzasKCDJzm7fgwiXVBorg'
================================•[1m Human Message
•[0m=================================
今天杭州天气如何？今天新闻是什么？别瞎编
==================================•[1m Ai Message
•[0m==================================
我来帮您查询杭州的天气和今天的新闻。
Tool Calls:
get_weather (call_00_PhpRzVvHYLkqOgQMj4keeAso)
Call ID: call_00_PhpRzVvHYLkqOgQMj4keeAso
Args:
city: 杭州
get_news (call_01_ALWxzasKCDJzm7fgwiXVBorg)
Call ID: call_01_ALWxzasKCDJzm7fgwiXVBorg
Args:
=================================•[1m Tool Message
•[0m=================================
Name: get_weather
杭州当天晴朗
=================================•[1m Tool Message
•[0m=================================
Name: get_news
近期，受全球储蓄芯片短缺等多重因素影响，多地回收商称废旧手机回收市场迎来“火热潮”，回
收价格普遍上涨，旧手机成“香饽饽”。
==================================•[1m Ai Message
•[0m==================================
根据查询结果：
**杭州天气**：今天杭州天气晴朗。
**今日新闻**：近期，受全球芯片短缺等多重因素影响，多地回收商称废旧手机回收市场迎来“火
热潮”，回收价格普遍上涨，旧手机成“香饽饽”。
以上信息基于实时查询，供您参考。5、拓展：强制使用工具
5.1 tool_choice参数说明
bind_tools 可以传递参数 tool_choice，用于控制是否强制使用工具。
该字段最终会作为 payload 的 tool_choice 字段传递给模型，OpenAI和Deepseek的官方API服务对于tool_choice 的取值做了相同的规定。
OpenAI官方文档
Deepseek官方文档
none：模型不会调用任何工具。
auto： 默认值，模型可以自主决定不调用或调用任意数量的工具。
required：模型必须调用工具，数量不限。此外， tool_choice 还支持传递 any，等价于 required。
5.2 none值举例
模型初始化：
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
# 从.env文件中加载环境变量
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_BASE_URL = os.getenv("CLOSEAI_BASE_URL")
model = init_chat_model(
model="gpt-5.4-mini",
model_provider="openai",
api_key=CLOSEAI_API_KEY,
base_url=CLOSEAI_BASE_URL
)举例：
from langchain.tools import tool
from langchain.messages import HumanMessage
@tool(parse_docstring=True)
def get_weather(city: str) -> str:
"""
获取当日天气
Args:
city: 城市名称
"""
return f'{city}当天晴朗'
model_with_tools = model.bind_tools([get_weather], tool_choice="none")
messages = [
HumanMessage("今天北京天气如何？别瞎编")
]
response = model_with_tools.invoke(messages)
response.pretty_print()用户要求查询天气，并提供了天气查询工具，但模型不会调用。
输出
==================================•[1m Ai Message
•[0m==================================
我无法直接获取实时天气数据。
如果您需要查询今天北京的准确天气情况，建议您：
1. 打开手机天气应用（如苹果天气、墨迹天气等）。
2. 在搜索引擎（如百度、谷歌）搜索“北京天气”。
3. 查看中国气象局官网（<http://www.weather.com.cn>）或权威天气平台。
这样可以确保您获得最准确的实时信息。5.3 auto值举例
tool_choice 的默认值就是 auto。
举例1：需要调用工具的场景
from langchain.tools import tool
from langchain.messages import HumanMessage
@tool(parse_docstring=True)
def get_weather(city: str) -> str:
"""
获取当日天气
Args:
city: 城市名称
"""
return f'{city}当天晴朗'
model_with_tools = model.bind_tools([get_weather], tool_choice="auto")
messages = [
HumanMessage("今天杭州天气如何？别瞎编")
]
response = model_with_tools.invoke(messages)
response.pretty_print()输出
==================================•[1m Ai Message
•[0m==================================
我来帮您查询杭州今天的天气情况。
Tool Calls:
get_weather (call_00_yMeVRVUhjsGETejnWXdW4Hhp)
Call ID: call_00_yMeVRVUhjsGETejnWXdW4Hhp
Args:
city: 杭州举例2：不需要调用工具的场景
from langchain.tools import tool
from langchain.messages import HumanMessage
@tool(parse_docstring=True)
def get_weather(city: str) -> str:
"""
获取当日天气
Args:
city: 城市名称
"""
return f'{city}当天晴朗'
model_with_tools = model.bind_tools([get_weather], tool_choice="auto")
messages = [
HumanMessage("你好啊")
]
response = model_with_tools.invoke(messages)
response.pretty_print()输出
==================================•[1m Ai Message
•[0m==================================
你好！很高兴见到你！有什么我可以帮助你的吗？5.4 required值举例
举例1：需要调用工具的场景
from langchain.tools import tool
from langchain.messages import HumanMessage
@tool(parse_docstring=True)
def get_weather(city: str) -> str:
"""
获取当日天气
Args:
city: 城市名称
"""
return f'{city}当天晴朗'
model_with_tools = model.bind_tools([get_weather], tool_choice="required")
messages = [
HumanMessage("今天杭州天气如何？别瞎编")
]
response = model_with_tools.invoke(messages)
response.pretty_print()输出
==================================•[1m Ai Message
•[0m==================================
Tool Calls:
get_weather (call_00_7JaeJXjd5Dc4GT9YIDV0ayJU)
Call ID: call_00_7JaeJXjd5Dc4GT9YIDV0ayJU
Args:
city: 杭州举例2：不需要调用工具的场景
from langchain.tools import tool
from langchain.messages import HumanMessage
@tool(parse_docstring=True)
def get_weather(city: str) -> str:
"""
获取当日天气
Args:
city: 城市名称
"""
return f'{city}当天晴朗'
model_with_tools = model.bind_tools([get_weather], tool_choice="required")
messages = [
HumanMessage("你好啊")
]
response = model_with_tools.invoke(messages)
response.pretty_print()即便此时不需要，模型依然会调用工具
输出
==================================•[1m Ai Message
•[0m==================================
Tool Calls:
get_weather (call_00_4bLIBRda88ZcvFL70f7XOEmg)
Call ID: call_00_4bLIBRda88ZcvFL70f7XOEmg
Args:
city: 北京此外， any 行为和 required 一致。举例：略
5.5 强制调用特定的工具
某些场景下我们希望调用特定的工具，仍然可以用 tool_choice 解决。
from langchain.tools import tool
from langchain.messages import HumanMessage
@tool(parse_docstring=True)
def get_weather1(city: str) -> str:
"""
获取当日天气
Args:
city: 城市名称
"""
return f'{city}当天晴朗'
@tool(parse_docstring=True)
def get_weather2(city: str) -> str:
"""
获取当日天气
Args:
city: 城市名称
"""
return f'{city}当天晴朗'
model_with_tools = model.bind_tools([get_weather1, get_weather2],
tool_choice="get_weather2")
messages = [
HumanMessage("杭州今天天气如何？")
]
response = model_with_tools.invoke(messages)
response.pretty_print()输出
==================================•[1m Ai Message
•[0m==================================
Tool Calls:
get_weather2 (call_00_mO5sCOWWnE3bWfNXtNhOjPNq)
Call ID: call_00_mO5sCOWWnE3bWfNXtNhOjPNq
Args:
city: 杭州反过来指定 get_weather1
from langchain.tools import tool
from langchain.messages import HumanMessage
@tool(parse_docstring=True)
def get_weather1(city: str) -> str:
"""
获取当日天气
Args:
city: 城市名称
"""
return f'{city}当天晴朗'
@tool(parse_docstring=True)
def get_weather2(city: str) -> str:
"""
获取当日天气
Args:
city: 城市名称
"""
return f'{city}当天晴朗'
model_with_tools = model.bind_tools([get_weather1, get_weather2],
tool_choice="get_weather1")
messages = [
HumanMessage("杭州今天天气如何？")
]
response = model_with_tools.invoke(messages)
response.pretty_print()输出
==================================•[1m Ai Message
•[0m==================================
Tool Calls:
get_weather1 (call_00_NK8ukyIAIzFL9FK1G3W4sK0s)
Call ID: call_00_NK8ukyIAIzFL9FK1G3W4sK0s
Args:
city: 杭州6、实践经验总结
1. 清晰的描述
# ✅ 好
@tool(parse_docstring=True)
def search_flights(origin: str, destination: str, date: str) -> str:
"""
搜索航班信息
Args:
origin: 出发城市，如"北京"
destination: 目的地城市，如"上海"
date: 出发日期，格式 YYYY-MM-DD
Returns:
可用航班的 JSON 列表
"""2. 功能单一
# ❌ 不好：一个工具做太多事
@tool
def do_everything(action: str, data: str) -> str:
"""做各种事情"""
if action == "weather": ...
elif action == "calculate": ...
elif action == "search": ...
# ✅ 好：每个工具做一件事
@tool
def get_weather(city: str) -> str:
"""获取天气"""
...
@tool
def calculator(operation: str, a: float, b: float) -> str:
"""计算"""
...3. 如何处理工具失败？
三层防护：
第1层：工具内部处理
@tool
def divide(a: float, b: float) -> str:
"""
除法计算
Args:
a: 被除数
b: 除数
"""
try:
if b == 0:
return "错误：除数不能为零"
result = a / b
return f"{a} / {b} = {result}"
except Exception as e:
return f"计算错误：{e}"第2层：Agent 级重试（使用 prompt）
agent = create_agent(
model=model,
tools=[...],
prompt="如果工具失败，尝试使用其他方法解决问题。"
)第3层：调用级重试
在大模型应用（如 LangChain）中，网络请求和外部工具调用是最容易掉链子的地方。 @retry 就像是一个 容错保险。
from tenacity import retry, stop_after_attempt
# 1. 配置重试规则：如果失败，最多尝试 3 次（即第 1 次正常调用 + 2 次重试）
@retry(stop=stop_after_attempt(3))
def call_agent(question):
# 2. 核心业务逻辑：调用 LangChain 的 Agent
return agent.invoke({"messages": [{"role": "user", "content":
question}]})它的工作流程：
① 你调用 call_agent("你好")。
② 程序进入函数，执行 agent.invoke(...)。
③ 如果执行成功：正常返回结果， @retry 什么都不做。
④ 如果执行失败（报错）： @retry 会拦截这个错误，不让程序直接崩溃。它会默默地帮你再次触发agent.invoke(...)。
⑤ 如果连续 3 次都报错：它终于放弃了，把第 3 次的报错真正抛出来，程序此时才会报错中止。
4. 返回字符串
# ✅ 好：返回字符串
@tool
def get_user_info(user_id: str) -> str:
"""获取用户信息"""
user = {"id": user_id, "name": "张三"}
return json.dumps(user, ensure_ascii=False) # 转成 JSON 字符串
# ❌ 不好：返回字典（某些情况可能有问题）
@tool
def get_user_info(user_id: str) -> dict:
"""获取用户信息"""
return {"id": user_id, "name": "张三"}在编写传统的 Python 代码时，返回字典（dict）显然更方便后续代码处理。但在 LangChain 的工具（Tools）生态中，强烈建议工具返回字符串（str）。因为：
1）大模型（LLM）的本质只吃“文本”
2）避免大模型“胡思乱想”（乱码与格式问题）
如果你返回一个包含中文的字典 {"name": "张三"}，LangChain 在强制将其转换为字符串时，默认可能会采用 Unicode 编码，变成 {"name": "\u5f20\u4e09"}。
大模型虽然能理解 Unicode，但极易受到干扰。直接看到中文 张三 的大模型，和看到\u5f20\u4e09 的大模型，其输出的稳定性和准确率是有差距的。通过手动 json.dumps(...,ensure_ascii=False)，你确保了喂给大模型的是最干净、最直观的纯文本。
json.dumps()是 Python 标准库 json模块中的函数，用于将 Python 对象（如字典、列表）序列化成一个 JSON 格式的字符串。
ensure_ascii=False : 这个参数默认值为 True，表示所有非 ASCII 字符（如中文）会被转换成\uXXXX形式的转义序列。设置为 False后，中文、表情符号等字符就能在 JSON 字符串中正常显示，而不是一堆乱码。
5. 选择同步 vs 异步
同步工具：简单场景，CPU 密集型任务
异步工具：IO 密集型（API 调用、数据库、文件操作）
# 同步
@tool
def sync_tool(x: str) -> str:
return process(x)
# 异步
@tool
async def async_tool(x: str) -> str:
return await async_process(x)