langchain系列（五）- LangChain 的tool原理与代码实现
导读
环境：OpenEuler、Windows 11、WSL 2、Python 3.12.3 langchain 0.3
背景：前期忙碌的开发阶段结束，需要沉淀自己的应用知识，过一遍LangChain
时间：20250225
说明：技术梳理，使用LangChain实现tool，tool一般用于智能体（agent、代理）。而当前智能体基本均使用langgraph实现，故而此处仅仅作为示例而已。由于langchain的理念变化，所有都在向langgraph倾向，所以此篇也计划是最后一篇langchain的文章，后面也会使用langgraph实现rag、tool这些。
代码实战
以下代码实现两个工具，获取北京、上海天气和获取最冷城市的工具，可以通过不同的问题来分析tool实现原理
代码实现
from langchain_core.messages import HumanMessage
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(base_url="https://llm.xxx.xxxx.com/v1/",openai_api_key="sk-xxxxxxxxxx",model_name="qwen2.5-instruct")
@tool
def get_weather(location: str):
"""获取当前城市天气。"""
if location in ["上海", "北京"]:
return f"当前{location}天气晴朗，温度为21℃"
else:
return "该城市未知，不在地球上"
@tool
def get_coolest_cities():
"""获取中国最冷的城市"""
return "黑龙江漠河气温在-30℃"
tools = [get_weather, get_coolest_cities]
llm_with_tools = llm.bind_tools(tools)
messages = ["北京的天气怎么样？", "哈尔滨的天气怎么样？", "中国最冷的城市？", "唐朝持续了多少年？"]
for i in messages:
ai_msg = llm_with_tools.invoke([HumanMessage(i)])
if not ai_msg.tool_calls:
print(ai_msg.content, "--未调用工具")
for tool_call in ai_msg.tool_calls:
selected_tool = {"get_weather": get_weather, "get_coolest_cities": get_coolest_cities}[tool_call["name"].lower()]
tool_msg = selected_tool.invoke(tool_call)
print(f"{tool_msg.content:<30} {tool_call.get("name")}")
输出
当前北京天气晴朗，温度为21℃ get_weather
该城市未知，不在地球上 get_weather
黑龙江漠河气温在-30℃ get_coolest_cities
唐朝从618年建立，到907年灭亡，一共持续了289年。这段历史可以分为初唐、盛唐、中唐和晚唐四个阶段。如果您需要更详细的信息，请告诉我！ --未调用工具
分析
第一个问题调用了get_weather方法，第二个问题相同，第三个问题调用get_coolest_cities，第四个问题未调用工具。由此可见，大模型会根据问题自动选择相应的工具。具体选用哪个工具需要查看ai_msg的tool_calls属性。你想要实现你的工具的功能，只需在相应的函数内部实现你的功能即可。
注：该示例出自 langgraph官方文档 更改的demo
tool简介
LangChain的tool功能，一般用于智能体，可以传递给支持工具调用的聊天模型，允许模型请求执行具有特定输入的特定功能。其常见属性有：name、description、args，可以分析代码，以便于更好的理解tool，LangChain也提供了很多的默认工具，地址：LangChain第三方工具集合。
官方文档理解
创建tool
官方文档提供了三种创建方式
tool装饰器
代码实现
from langchain_core.tools import tool
@tool
def multiply(a: int, b: int):
"""multiply two numbers"""
return a * b
@tool
async def amultiply(a: int, b: int):
"""amultiply two numbers"""
return a * b
print(amultiply.name, "|",amultiply.description, "|", amultiply.args)输出
amultiply | amultiply two numbers | {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}
分析
该方法是通过tool装饰器实现，name即为工具名称，description为工具说明（注释的内容），args为工具接收的参数，两个工具功能相同，仅为异步和同步的差别。该方法为LangChain稳定创建tool的方法，第三种为beta版本，后期可能发生变化。
结构化工具
代码实现
from langchain_core.tools import StructuredTool
def multiply(a: int, b: int):
"""multiply two numbers"""
return a * b
async def amultiply(a: int, b: int):
"""amultiply two numbers"""
return a * b
calculator = StructuredTool.from_function(func=multiply, coroutine=amultiply)
print(calculator.name, "|",calculator.description, "|",calculator.args)输出
multiply | multiply two numbers | {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}
Runnables方法
代码实现
from langchain_core.language_models import GenericFakeChatModel
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages(
[("human", "Hello. Please respond in the style of {answer_style}.")]
)
llm = GenericFakeChatModel(messages=iter(["hello matey"]))
chain = prompt | llm | StrOutputParser()
as_tool = chain.as_tool(
name="Style responder", description="Description of when to use tool."
)
print(as_tool.name, "|",as_tool.description,"|", as_tool.args)输出
/tools/create_tools.py:41: LangChainBetaWarning: This API is in beta and may change in the future.
as_tool = chain.as_tool(
Style responder | Description of when to use tool. | {'answer_style': {'title': 'Answer Style', 'type': 'string'}}
分析
显然，提示了警告，说明了该API在将来可能发生变化
BaseTool子类
这是最灵活的方法，它提供了最大的控制程度，但需要更多的代码。
代码实现
from typing import Optional, Type
from langchain_core.callbacks import (
AsyncCallbackManagerForToolRun,
CallbackManagerForToolRun,
)
from langchain_core.tools import BaseTool
from pydantic import BaseModel, Field
class CalculatorInput(BaseModel):
a: int = Field(description="first number")
b: int = Field(description="second number")
class CustomCalculatorTool(BaseTool):
name: str = "Calculator"
description: str = "useful for when you need to answer questions about math"
args_schema: Type[BaseModel] = CalculatorInput
return_direct: bool = True
def _run(
self, a: int, b: int, run_manager: Optional[CallbackManagerForToolRun] = None
) -> str:
"""Use the tool."""
return a * b
async def _arun(
self,
a: int,
b: int,
run_manager: Optional[AsyncCallbackManagerForToolRun] = None,
) -> str:
"""Use the tool asynchronously."""
return self._run(a, b, run_manager=run_manager.get_sync())
tool_case = CustomCalculatorTool()
print(tool_case.name, tool_case.description, tool_case.args)
输出
Calculator useful for when you need to answer questions about math {'a': {'description': 'first number', 'title': 'A', 'type': 'integer'}, 'b': {'description': 'second number', 'title': 'B', 'type': 'integer'}}
分析
该方法为创建工具中最为灵活的方式，当然，比其他方式也更复杂，根据自己的需求选择合适的创建方式
多工具调用
文章开篇使用遍历的方式实现工具调用的详细说明，实际上工具是可以连续调用的
代码实现
from langchain_core.messages import HumanMessage
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
base_url="https://lxxxxx.enovo.com/v1/",
api_key="sxxxxxxxwW",
model_name="qwen2.5-instruct"
)
@tool
def get_weather(location: str):
"""获取当前城市天气。"""
if location in ["上海", "北京"]:
return f"当前{location}天气晴朗，温度为21℃"
else:
return "该城市未知，不在地球上"
@tool
def get_coolest_cities():
"""获取中国最冷的城市"""
return "黑龙江漠河气温在-30℃"
tools = [get_weather, get_coolest_cities]
llm_with_tools = llm.bind_tools(tools)
messages = "北京的天气怎么样？哈尔滨的天气怎么样？中国最冷的城市？唐朝持续了多少年？"
ai_msg = llm_with_tools.invoke([HumanMessage(messages)])
if ai_msg.content:
print(ai_msg.content, "--未调用工具")
for tool_call in ai_msg.tool_calls:
selected_tool = {"get_weather": get_weather, "get_coolest_cities": get_coolest_cities}[tool_call["name"].lower()]
tool_msg = selected_tool.invoke(tool_call)
print(f"{tool_msg.content:<30} {tool_call.get("name")}")
输出
对于唐朝持续了多少年的问题，唐朝从618年到907年，共持续了289年。 --未调用工具
当前北京天气晴朗，温度为21℃ get_weather
该城市未知，不在地球上 get_weather
黑龙江漠河气温在-30℃ get_coolest_cities
分析
一般而言，工具调用后，即执行如下代码后：
llm_with_tools.invoke([HumanMessage(messages)])返回值为空，即content=''，而tool_calls属性中存在tool的name、arguments等信息，如下：
所以，直接产生内容，则说明没有调用工具。工具产生的内容都是在二次调用，如下：
selected_tool = {"get_weather": get_weather, "get_coolest_cities": get_coolest_cities}[tool_call["name"].lower()]
tool_msg = selected_tool.invoke(tool_call)只有工具在二次调用后，才会生成工具返回的信息
代码中唐朝持续了多少年？这个问题与工具无关，其余三个问题均与工具相关（即这三个问题都会调用工具），所以当四个问题为合并为一个字符串输入到大模型时，大模型的响应中content会有唐朝相关的内容，而工具中会有三个，如下图：
AIMessage(content='对于唐朝持续了多少年的提问，我需要直接回答，不需要调用工具。唐朝从公元618年到公元907年，持续了大约290年。请继续您的其他查询。', additional_kwargs={'tool_calls': [{'id': 'call_9e32c132-3855-4b77-b5bb-018ea22ca1c1', 'function': {'arguments': '{"location": "北京"}', 'name': 'get_weather'}, 'type': 'function'}, {'id': 'call_9e32c132-3855-4b77-b5bb-018ea22ca1c1', 'function': {'arguments': '{"location": "哈尔滨"}', 'name': 'get_weather'}, 'type': 'function'}, {'id': 'call_9e32c132-3855-4b77-b5bb-018ea22ca1c1', 'function': {'arguments': '{}', 'name': 'get_coolest_cities'}, 'type': 'function'}], 'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 105, 'prompt_tokens': 301, 'total_tokens': 406, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_name': 'qwen2.5-instruct', 'system_fingerprint': None, 'finish_reason': 'tool_calls', 'logprobs': None}, id='run-4c888156-f1a5-48fd-bf2d-806c0e1b501c-0', tool_calls=[{'name': 'get_weather', 'args': {'location': '北京'}, 'id': 'call_9e32c132-3855-4b77-b5bb-018ea22ca1c1', 'type': 'tool_call'}, {'name': 'get_weather', 'args': {'location': '哈尔滨'}, 'id': 'call_9e32c132-3855-4b77-b5bb-018ea22ca1c1', 'type': 'tool_call'}, {'name': 'get_coolest_cities', 'args': {}, 'id': 'call_9e32c132-3855-4b77-b5bb-018ea22ca1c1', 'type': 'tool_call'}], usage_metadata={'input_tokens': 301, 'output_tokens': 105, 'total_tokens': 406, 'input_token_details': {}, 'output_token_details': {}})
结语
工具也有流式、异步等方式，工具的回调，langchain也给出了处理方案。此处仅为展示tool的用法，不在过多叙述