Tool 与 Function Calling

Tool 是 LangChain Agent 调用外部世界的方式。Function Calling 是 LLM 调 Tool 的底层协议。

---

什么是 Tool？

Tool = 让 LLM 能够执行外部动作的函数封装。

传统 LLM：
输入 → LLM → 输出文本

带 Tool 的 LLM：
输入 → LLM → [需要执行 search] → search() → 结果 → LLM → 最终回答
                    ↑ 工具调用      ↑ 工具返回

---

定义 Tool

方式 1：@tool 装饰器（推荐）

from langchain_core.tools import tool

@tool
def search_wiki(query: str) -> str:
    """在维基百科搜索相关词条"""
    # 真实实现中这里调用 Wikipedia API
    return f"关于'{query}'的搜索结果..."

@tool
def calculate(expression: str) -> float:
    """执行数学计算"""
    return eval(expression)  # 注意：真实场景要用安全计算器

tools = [search_wiki, calculate]

方式 2：StructuredTool（更正式）

from langchain_core.tools import StructuredTool

search_tool = StructuredTool.from_function(
    name="search_wiki",
    description="在维基百科搜索相关词条",
    func=lambda query: wikipedia.search(query),
    return_direct=False
)

---

绑定 Tool 到模型

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage

llm = ChatOpenAI(model="gpt-4o")

# 方式1：bind_tools（推荐，简洁）
llm_with_tools = llm.bind_tools(tools)

# 方式2：with_configurable_tools
llm_with_tools = llm.with_configurable_tools(tools=[search_wiki, calculate])

---

调用示例

# 第一次调用：LLM 判断需要调用哪个 Tool
response = llm_with_tools.invoke("查一下水的沸点是多少")

print(response)  # AIMessage with tool_calls
# AIMessage(
#   content='',
#   tool_calls=[
#     {
#       'name': 'search_wiki',
#       'args': {'query': '水的沸点'},
#       'id': 'call_xxx'
#     }
#   ]
# )

---

解析 Tool 调用结果

from langchain_core.messages import HumanMessage, AIMessage, ToolMessage

# 用户问题
messages = [HumanMessage(content="水的沸点是多少")]

# 1. LLM 判断调用 Tool
ai_response = llm_with_tools.invoke(messages)
messages.append(ai_response)

# 2. 执行 Tool，获取结果
tool_result = search_wiki.invoke(ai_response.tool_calls[0].args)
messages.append(ToolMessage(content=tool_result, tool_call_id=ai_response.tool_calls[0].id))

# 3. 再次调用 LLM，传入 Tool 结果
final_response = llm.invoke(messages)
print(final_response.content)  # "水的沸点是100°C..."

---

create_react_agent（自动完成上述循环）

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain.agents import create_react_agent

llm = ChatOpenAI(model="gpt-4o")
agent = create_react_agent(llm, tools)

# 一次性调用，Agent 自动完成推理→调用→再推理→返回
result = agent.invoke({"input": "水的沸点是多少摄氏度？加上273.15转成开尔文"})

print(result["output"])
# Agent 会自动：
# 1. 搜索"水的沸点" → 100°C
# 2. 计算 100 + 273.15 = 373.15K
# 3. 返回结果

---

Tool 的输入输出设计

输入设计原则

原则	说明
名字清晰	search_wiki 比 search 更明确
描述详细	描述会发给 LLM，帮助它判断何时调用
类型严格	用 Pydantic 或类型注解限定输入
单一职责	一个 Tool 做一件事

@tool
def search_flights(
    origin: str,
    destination: str,
    date: str,
    max_price: float | None = None
) -> str:
    """搜索航班信息

    Args:
        origin: 出发地机场代码（如 PEK, SHA）
        destination: 目的地机场代码
        date: 出发日期，格式 YYYY-MM-DD
        max_price: 最高票价（可选）
    """
    ...

输出设计原则

原则	说明
返回字符串	Tool 的返回必须是字符串
信息完整	包含 LLM 回答所需的所有信息
结构化	尽量返回 JSON 或格式化文本

---

并行 Tool 调用

多个独立 Tool 可以并行执行：

@tool
def get_weather(city: str) -> str:
    """获取城市天气"""
    ...

@tool
def get_news(topic: str) -> str:
    """获取新闻"""
    ...

# 模型可以同时决定调用两个工具
llm_with_tools = llm.bind_tools([get_weather, get_news])
response = llm_with_tools.invoke("北京今天天气和最新科技新闻")
# response.tool_calls 可能有多个 ToolCall

---

Agent 类型选择

Agent	特点	适用场景
create_react_agent	ReAct（推理+行动交替）	通用场景，最常用
create_conversational_agent	对话式，有记忆	聊天机器人
create_openai_functions_agent	OpenAI Function Calling	需要精确工具选择
create_self_ask_agent	Self-Ask with Search	需要搜索验证的场景

---

MCP + LangChain（扩展）

MCP（Model Context Protocol）是新标准，让 Tool 调用更统一：

# LangChain MCP 适配器
from langchain_mcp_adapters import MCPClient

# 连接到 MCP Server
client = MCPClient.from_config_file("servers_config.json")

# 工具自动注册到 LangChain
tools = client.get_tools()
agent = create_react_agent(llm, tools)

详见 11-新兴协议/MCP协议

---